TxAgent: AI aģents, kas sniedz pierādījumos balstītus ārstēšanas ieteikumus, apvienojot daudzpakāpju spriešanu ar biomedicīnas rīku integrāciju reālajā laikā

AI atbalstīta precīza terapija: jauns solis medicīnā

Precīza terapija ir kļuvusi par nozīmīgu pieeju veselības aprūpē, kas pielāgo ārstēšanu katram pacientam atsevišķi, lai optimizētu rezultātus un samazinātu riskus. Tomēr atbilstošā zāļu izvēle prasa sarežģītu daudzu faktoru analīzi: pacienta raksturojums, līdzās esošas slimības, iespējamās zāļu mijiedarbības, kontrindikācijas, pašreizējās klīniskās vadlīnijas, zāļu darbības mehānismi un slimības bioloģija. Lai gan lielās valodu modeļi (LLM) ir parādījuši spējas terapētiskajos uzdevumos, tiem ir būtiskas ierobežojumi. Šiem modeļiem trūkst atjauninātas biomedicīniskās zināšanas, tie bieži rada halucinācijas un nespēj uzticami spriest par vairākiem klīniskajiem mainīgajiem. Turklāt LLM atkārtota apmācība ar jaunām medicīniskām informācijām ir skaitļošanas ziņā pārāk dārga. Modeļi arī riskē iekļaut neapstiprinātu vai apzināti maldinošu saturu no saviem apmācības datiem, vēl vairāk samazinot to uzticamību klīniskajā praksē.

Lai risinātu zināšanu trūkumu, ir izstrādāti ar rīkiem papildināti LLM, kas izmanto ārējās atgūšanas mehānismus, piemēram, atgūšanu papildinātu ģenerēšanu (RAG). Šīs sistēmas mēģina pārvarēt halucināciju problēmas, iegūstot informāciju par zālēm un slimībām no ārējām datu bāzēm. Tomēr tās joprojām nespēj veikt daudzpakāpju spriešanas procesu, kas ir būtisks efektīvai ārstēšanas izvēlei. Precīzai terapijai būtu liela labuma no iteratīvām spriešanas spējām, kur modeļi varētu piekļūt verificētiem informācijas avotiem, sistemātiski izvērtēt iespējamās mijiedarbības un dinamiski pilnveidot ārstēšanas ieteikumus, balstoties uz visaptverošu klīnisko analīzi.

Inovatīva AI sistēma – TXAGENT

Pētnieki no Harvard Medicīnas skolas, MIT Lincoln Laboratory, Kempner Institute for the Study of Natural and Artificial Intelligence, Harvard University, Broad Institute of MIT un Harvard, kā arī Harvard Data Science Initiative ir izveidojuši TXAGENT – inovatīvu AI sistēmu, kas sniedz pierādījumos balstītus ārstēšanas ieteikumus, apvienojot daudzpakāpju spriešanu ar reāllaika biomedicīniskajiem rīkiem. Šis aģents ģenerē atbildes dabiskajā valodā, vienlaikus nodrošinot pārredzamus spriešanas procesus, kas dokumentē tā lēmumu pieņemšanu. Tas izmanto mērķa virzītu rīku izvēli, piekļūstot ārējām datu bāzēm un specializētiem mašīnmācīšanās modeļiem, lai nodrošinātu precizitāti. Šo sistēmu atbalsta TOOLUNIVERSE – visaptveroša biomedicīnisko rīku kopums, kas ietver 211 ekspertu izstrādātus rīkus zāļu darbības mehānismiem, mijiedarbībām, klīniskajām vadlīnijām un slimību anotācijām. Šie rīki ietver tādus uzticamus avotus kā openFDA, Open Targets un Human Phenotype Ontology. Lai optimizētu rīku izvēli, TXAGENT izmanto TOOLRAG – mašīnmācīšanās balstītu atgūšanas sistēmu, kas dinamiski identificē atbilstošākos rīkus no TOOLUNIVERSE, balstoties uz vaicājuma kontekstu.

TXAGENT arhitektūra apvieno trīs galvenās sastāvdaļas: TOOLUNIVERSE ar 211 dažādiem biomedicīnas rīkiem; specializētu LLM, kas ir pielāgots daudzpakāpju spriešanai un rīku izpildei; un TOOLRAG modeli adaptīvai rīku atgūšanai. Rīku saderību nodrošina TOOLGEN – daudzaģentu sistēma, kas ģenerē rīkus no API dokumentācijas. Aģents tiek papildus apmācīts ar TXAGENT-INSTRUCT – plašu datu kopu, kas satur 378 027 instrukciju pielāgošanas paraugus, kas iegūti no 85 340 daudzpakāpju spriešanas procesiem, ietverot 177 626 spriešanas soļus un 281 695 funkciju izsaukumus. Šo datu kopu ģenerē QUESTIONGEN un TRACEGEN – daudzaģentu sistēmas, kas veido dažādus terapētiskos jautājumus un pakāpeniskus spriešanas procesus, aptverot ārstēšanas informāciju un zāļu datus no FDA etiķetēm, kas datētas jau kopš 1939. gada.

TXAGENT priekšrocības un iespējas

TXAGENT demonstrē izcilas spējas terapētiskajā spriešanā, izmantojot vairāku rīku pieeju. Sistēma izmanto vairākus verificētus zināšanu avotus, tostarp FDA apstiprinātas zāļu etiķetes un Open Targets, lai nodrošinātu precīzas un uzticamas atbildes ar pārredzamiem spriešanas procesiem. Tā izceļas četros galvenajos virzienos: zināšanu pamatošana, izmantojot rīku izsaukumus; verificētas informācijas iegūšana no uzticamiem avotiem; mērķa virzīta rīku izvēle, izmantojot TOOLRAG modeli; daudzpakāpju terapētiskā spriešana sarežģītu problēmu risināšanai, kas prasa vairākus informācijas avotus; un reāllaika datu iegūšana no pastāvīgi atjauninātiem zināšanu avotiem. Būtiski, ka TXAGENT veiksmīgi identificēja Bizengri zāles indikācijas – zāles, kas apstiprinātas 2024. gada decembrī, pat pēc tā bāzes modeļa zināšanu atjaunināšanas termiņa, tieši piekļūstot openFDA API, nevis paļaujoties uz novecojušām iekšējām zināšanām.

TXAGENT ir nozīmīgs solis uz priekšu AI atbalstītā precīzās medicīnā, risinot tradicionālo LLM kritiskos ierobežojumus, izmantojot daudzpakāpju spriešanu un mērķtiecīgu rīku integrāciju. Ģenerējot pārredzamus spriešanas procesus līdzās ieteikumiem, sistēma nodrošina interpretējamu lēmumu pieņemšanas procesu terapētiskām problēmām. TOOLUNIVERSE integrācija ļauj reāllaika piekļūt verificētām biomedicīniskajām zināšanām, ļaujot TXAGENT sniegt ieteikumus, balstoties uz pašreizējiem datiem, nevis statiskiem apmācības materiāliem. Šī pieeja ļauj sistēmai sekot līdzi jaunākajiem apstiprinātajiem medikamentiem, novērtēt atbilstošās indikācijas un sniegt pierādījumos balstītus receptu ieteikumus. Pamatojot visas atbildes uz verificētiem avotiem un nodrošinot izsekojamus lēmumu pieņemšanas soļus, TXAGENT nosaka jaunu standartu uzticamam AI klīniskās atbalsta lēmumu pieņemšanā.

Plašāku informāciju var atrast pētījuma darbā, projekta lapā un GitHub lapā. Visu atzinību par šo pētījumu izpildi pieder pētnieku komandai.

https://www.marktechpost.com/