Точная терапия стала важным подходом в здравоохранении, адаптируя лечение к отдельным профилям пациентов для оптимизации результатов, снижая при этом риски. Однако определение соответствующего лекарства включает в себя сложный анализ многочисленных факторов: характеристики пациента, сопутствующие заболевания, потенциальные лекарственные взаимодействия, противопоказания, современные клинические рекомендации, лекарственные механизмы и биологию заболевания. В то время как крупные языковые модели (LLMS) продемонстрировали возможности терапевтических задач посредством предварительной подготовки и тонкой настройки медицинских данных, они сталкиваются с значительными ограничениями. Эти модели не имеют доступа к обновленным биомедицинским знаниям, часто генерируют галлюцинации и борются за то, чтобы надежно рассуждать по нескольким клиническим переменным. Кроме того, переподготовка LLM с новой медицинской информацией оказывается в вычислительном порядке из -за катастрофического забывания. Модели также рискуют включать неверные или намеренно вводящие в заблуждение медицинское содержание из их обширных данных обучения, что еще больше ставит под угрозу их надежность в клинических приложениях.
Были разработаны LLMS с инструментами для устранения ограничений знаний с помощью внешних механизмов поиска, таких как поколение поиска (RAG). Эти системы пытаются преодолеть проблемы галлюцинации, получая информацию о наркотиках и заболеваниях из внешних баз данных. Тем не менее, они по-прежнему терпят неудачу в выполнении многоэтапного процесса рассуждений, необходимого для эффективного выбора лечения. Точная терапия значительно выиграет от итеративных возможностей рассуждения, когда модели могут получить доступ к проверенным источникам информации, систематически оценивать потенциальные взаимодействия и динамически уточнить рекомендации по лечению на основе комплексного клинического анализа.
Исследователи из Гарвардской медицинской школы, лаборатории MIT Lincoln, Института изучения естественного и искусственного интеллекта, Гарвардского университета, Института MIT и Гарварда и Гарвардской науки о данных Txagent, Представляя инновационную систему ИИ, предоставляющую рекомендации по лечению, посредством интеграции многоэтапных рассуждений с биомедицинскими инструментами в реальном времени. Агент генерирует ответы естественного языка, предоставляя прозрачные следы рассуждения, которые документируют процесс принятия решений. Он использует выбор инструментов, управляемый целями, доступ к внешним базам данных и моделям специализированного машинного обучения для обеспечения точности. Поддержка этой структуры-Tooluniverse, комплексный биомедицинский инструмент, содержащий 211, ориентированные на экспертные инструменты, охватывающие лекарственные механизмы, взаимодействия, клинические руководящие принципы и аннотации заболевания. Эти инструменты включают надежные источники, такие как OpenFDA, открытые цели и онтологию фенотипа человека. Чтобы оптимизировать выбор инструментов, Txagent реализует ToolRag, систему поиска ML, которая динамически идентифицирует наиболее релевантные инструменты из Tooluniverse на основе контекста запроса.
Архитектура Txagent интегрирует три основных компонента: Tooluniverse, включающий 211 различных биомедицинских инструментов; специализированный LLM, настраиваемый для многоэтапных рассуждений и выполнения инструментов; и модель ToolRag для адаптивного поиска инструментов. Совместимость инструмента включена через Toolgen, многоагентную систему, которая генерирует инструменты из документации API. Агент подвергается тонкой настройке с Txagent-Instruct, обширным набором данных, содержащим 378 027 образцов настройки инструкции, полученных из 85 340 многоэтапных следов рассуждений, охватывающих 177 626 шагов рассуждений и 281 695 вызовов функций. Этот набор данных генерируется вопросительными и трацегенными системами, которые создают различные терапевтические запросы и пошаговые следов рассуждений, охватывающие информацию о лечении и данные о лекарствах с меток FDA, начиная с 1939 года.
Txagent демонстрирует исключительные возможности в терапевтических рассуждениях благодаря своему многопроводному подходу. Система использует многочисленные проверенные базы знаний, в том числе одобренные FDA метки лекарств и открытые цели, чтобы обеспечить точные и надежные ответы с прозрачными следами рассуждений. Он превосходит в четырех ключевых областях: заземление знаний с использованием инструментов, получение проверенной информации из надежных источников; целеустремленный выбор инструмента через модель ToolRag; Многоэтапные терапевтические рассуждения для сложных проблем, требующих нескольких источников информации; и поиск в реальном времени из постоянно обновленных источников знаний. Важно отметить, что Txagent успешно определил показания для Bizengri, препарата, утвержденного в декабре 2024 года, после отсечения знаний ее базовой модели путем запроса API OpenFDA напрямую, а не полагаясь на устаревшие внутренние знания.
Txagent представляет собой значительный прогресс в A-A-A-A-A-Advisted Precision Medicine, устраняя критические ограничения традиционных LLM с помощью многоэтапных рассуждений и целевой интеграции инструментов. Создавая прозрачные тропы рассуждения наряду с рекомендациями, система предоставляет интерпретируемые процессы принятия решений для терапевтических проблем. Интеграция Tooluniverse обеспечивает доступ в режиме реального времени к проверенным биомедицинским знаниям, позволяя TxAgent давать рекомендации на основе текущих данных, а не на статической информации обучения. Этот подход позволяет системе оставаться актуальными с вновь утвержденными лекарствами, оценивать соответствующие показания и предоставлять рецепты, основанные на фактических данных,. Заземляя все ответы в проверенных источниках и предоставляя прослеживаемые шаги решения, Txagent устанавливает новый стандарт для надежного ИИ в поддержке клинических решений.
Проверить бумага, страница проекта и страница Github. Весь кредит на это исследование направлено на исследователей этого проекта. Кроме того, не стесняйтесь следить за нами Twitter И не забудьте присоединиться к нашему 85K+ ML SubredditПолем
Асджад – стажер консультант в Marktechpost. Он убеждает B.Tech в области машиностроения в Индийском технологическом институте, Харагпур. Asjad – это машинное обучение и энтузиаст глубокого обучения, который всегда исследует применение машинного обучения в здравоохранении.
