بنچمارک ۱۳۲۹ ساعته Synth-DoPaCo معرفی شد؛ شبیه‌سازی مکالمات واقعی پزشک و بیمار برای هوش مصنوعی

پایگاه آزمایشی ۱۳۲۹ ساعته Synth-DoPaCo برای ارزیابی مدل‌های صوتی بالینی

ویزیت‌های بالینی طولانی‌مدت، شکاف بزرگی را در تحقیقات عمومی مدل‌های زبانی صوتی آشکار کرده‌اند؛ بیشتر بنچمارک‌های فعلی از کلیپ‌های صوتی زیر ۵ دقیقه استفاده می‌کنند، در حالی که الزامات حفظ حریم خصوصی، رضایت‌نامه بیمار و فرآیندهای حساس هویت‌زدایی، دسترسی به مکالمات ضبط‌شده واقعی در مراکز درمانی را به‌شدت محدود کرده است. مجموعه‌داده Synth-DoPaCo این خلأ پژوهشی را با تولید ۸٬۸۰۰ ویزیت شبیه‌سازی‌شده میان پزشک و بیمار در قالب ۱٬۳۲۹ ساعت صوت پوشش می‌دهد. هر ویزیت در این مجموعه‌داده شامل متن دیالوگ، صوت گفتار، آکوستیک شبیه‌سازی‌شده محیط مطب، صداهای غیرکلامی، فکت‌های ساختاریافته و یک یادداشت بالینی مرجع است.

چرا بنچمارک‌های عمومی موجود پاسخگوی نیازها نیستند؟

تیم پژوهشگران این مقاله علمی که از مؤسسه تحقیقاتی Idiap، دانشگاه کارنگی ملون و دانشگاه جانز هاپکینز گرد هم آمده‌اند، استدلال صوتی در زمینه‌های طولانی (کانتکست طولانی) را هدف قرار داده‌اند. اگرچه مدل‌های زبانی صوتی می‌توانند گفتار را به‌عنوان ورودی دریافت کرده و متن تولید کنند، اما عملکرد آن‌ها در مکالمات طولانی‌تر از ۵ دقیقه همچنان به‌درستی سنجیده نشده است. ثبت پرونده‌های بالینی چالشی بسیار سنگین برای این سیستم‌ها به‌حساب می‌آید، زیرا مدل باید در طول رفت‌وبرگشت‌های متعدد گفت‌وگو، علائم بیماری، سوابق پزشکی، داروها، جزئیات معاینه و برنامه‌های درمانی را با دقت ردیابی کند.

کمبود داده‌های عمومی باعث شده است تحقیقات بازتولیدپذیر در حوزه اسکرایب پزشکی (دستیار صوتی ثبت پرونده)، داده‌های آموزشی بسیار کمتری نسبت به سیستم‌های انحصاری و تجاری در اختیار داشته باشند؛ سیستم‌هایی که به ضبط‌های بالینی محرمانه دسترسی دارند. اکنون انتشار یک مجموعه‌داده سنتتیک بزرگ، به تیم‌های تحقیقاتی مستقل بستری مشترک برای آموزش مدل‌ها و مقایسه نتایج می‌دهد، بدون اینکه حریم خصوصی مکالمات بیماران به خطر بیفتد.

پرسوناها، نویز محیطی و استناد به فکت‌ها

توسعه‌دهندگان این مجموعه‌داده، با استفاده از اجزای مبتنی‌بر مدل‌های وزن‌باز، چرخه ساخت را در سه مرحله پیش بردند: تولید مکالمه مبتنی‌بر پرسونا، سنتز صدای چندگوینده و تهیه یادداشت بالینی مرجع. در این فرآیند، مدل Gemma3-27B-IT وظیفه تولید مکالمات را بر عهده دارد و ابزار SDialog مدیریت نوبت‌گیری گویندگان و هماهنگی کل چرخه پردازش را انجام می‌دهد.

شخصیت‌پردازی دقیق، مانع تکراری شدن مکالمات می‌شود

از آنجا که ارسال مستقیم پرامپت برای تولید دیالوگ تنوع بسیار کمی ایجاد می‌کرد، چرخه پردازش ویژگی‌های ساختاریافته‌ای را برای هر گوینده انتخاب می‌کند؛ از جمله سن، نژاد، میزان رسمی بودن، عجله داشتن، وضعیت بیمه، شغل و تسلط به زبان انگلیسی. علاوه بر این، یکی از همکاران پروژه با پیش‌زمینه پزشکی، مجموعه‌ای شامل ۷۲۴ نوع شکایت و علامت بالینی اصلی را گردآوری کرد که طیف گسترده‌ای از مراجعات رایج و غیرمعمول در مراقبت‌های اولیه پزشکی را پوشش می‌دهد. این مدل مکالمات را به‌صورت نوبتی (رفت‌وبرگشت یک‌به‌یک) تولید می‌کند؛ رویکردی که به گفته پژوهشگران، پایبندی به پرسونای تعریف‌شده را ارتقا داده و جریان مکالمه را طبیعی‌تر و پیچیده‌تر ساخته است.