एजेंटिक LLM का उपयोग करके सुव्यवस्थित प्रिसिजन ऑन्कोलॉजी प्रश्न-उत्तर

बायोमेडिकल अनुसंधान में बड़े भाषा मॉडलों (LLMs) के व्यापक उपयोग के बावजूद, उनकी नैदानिक अधिग्रहण में महत्वपूर्ण चुनौतियाँ हैं। ये चुनौतियाँ LLM द्वारा उत्पन्न उत्तरों की गुणवत्ता, सटीकता और व्यापकता के बारे में चिंताओं से उत्पन्न होती हैं। अधिकांश मौजूदा कार्यों ने आधारभूत मॉडलों के आधार पर LLM को ठीक करने पर ध्यान केंद्रित किया है, जिन्होंने अभी तक सटीकता और विश्वसनीयता के मुद्दों को पूरी तरह से संबोधित नहीं किया है। इस कार्य में, हम एक एजेंट-आधारित दृष्टिकोण का प्रस्ताव करते हैं जिसका उद्देश्य प्रिसिजन ऑन्कोलॉजी के लिए LLM-आधारित प्रणालियों को नैदानिक रूप से तैनाती योग्य बनाना है, जबकि धोखे, असंगतता और "मध्य में खोए हुए" समस्याओं जैसी सामान्य अवरोधों को कम करना है। इसे हासिल करने के लिए, हमने एक एजेंटिक आर्किटेक्चर का कार्यान्वयन किया, जो LLM की भूमिका को एक साधारण प्रतिक्रिया संथिसाइज़र से योजनाकार में मौलिक रूप से बदलता है। यह एजेंट विभिन्न स्रोतों से असिंक्रोनस रूप से जानकारी पुनःप्राप्त करने के लिए विशेष उपकरणों का एक सेट संचालित करता है। इन उपकरणों में उपचार दिशानिर्देशों, जीनोमिक डेटा, नैदानिक परीक्षण जानकारी, दवा डेटा और स्तन कैंसर साहित्य को शामिल करने वाले कार्यकर्ता दस्तावेज़ वेक्टर स्टोर शामिल हैं। फिर LLM इन उपकरणों द्वारा पुनःप्राप्त जानकारी को संथिसाइज़ करने के लिए अपनी योजना क्षमताओं का लाभ उठाता है, व्यापक और सटीक उत्तर उत्पन्न करता है। हम स्तन कैंसर के क्षेत्र में GeneSilico Copilot की प्रभावशीलता प्रदर्शित करते हैं, जो अत्याधुनिक सटीकता प्राप्त करता है। इसके अतिरिक्त, प्रणाली वास्तविक दुनिया के मामलों के लिए व्यक्तिगत ऑन्कोथेरेपी सिफारिशें उत्पन्न करने में सफलता दिखाती है।