چیسٹ ایکس رے ایجنٹ کو سکھانا کہ شواہد کب تلاش کیے جائیں اور کن پیمائشوں پر بھروسا کیا جائے ── ایک پری پرنٹ جو X-Ragent تجویز کرتا ہے، ایک reinforcement learning ترتیب جو عمل کو صرف ان راستوں پر جانچتی ہے جن میں تشخیص درست ہو

1. سینے کے ایکس رے کی کچھ تشخیصات صرف دیکھ کر طے نہیں کی جا سکتیں

سینے کا ایکس رے پڑھنا صرف یہ بتانے کا نام نہیں کہ کیا نظر آ رہا ہے۔ خلاصہ اسی نکتے سے شروع ہوتا ہے۔ تشریح کے لیے اکثر بصری نتائج کو کام سے متعلق مخصوص شواہد کے ساتھ ملانا پڑتا ہے، نہ کہ صرف براہِ راست بصری شناخت پر انحصار کرنا۔^[1]

ٹولز سے لیس طبی ایجنٹس اس کا ایک جواب رہے ہیں۔ ایجنٹ کام کے کچھ حصے بیرونی ماڈیولز کے سپرد کر دیتا ہے، جیسے قریب سے دیکھنے کے لیے کسی علاقے کو کاٹنا یا کسی عضو کی جسامت ناپنے کے لیے اس کی سیگمنٹیشن کرنا، اور پھر نتائج کو اپنی استدلالی عمل میں شامل کر لیتا ہے۔ سینے کے ایکس رے کے لیے، پہلے کے ایک کام میں ایسا ایجنٹ تجویز کیا گیا تھا جو کثیر مرحلہ استدلال کے لیے ایسے ٹولز کو زنجیر کی طرح جوڑتا ہے، اور ساتھ ChestAgentBench نامی ایک جانچ کا مجموعہ بھی پیش کیا گیا تھا۔^[3]

ٹولز کو کال کر سکنا اور انہیں اچھی طرح کال کرنا ایک ہی بات نہیں ہے۔ مصنفین موجودہ ایجنٹس میں دو خامیوں کی نشاندہی کرتے ہیں۔ پہلی، ان میں یہ سیکھنے کا کوئی واضح طریقہ کار نہیں کہ معاون شواہد کی ضرورت دراصل کب ہے۔ دوسری، ان میں ایسے مقداری شواہد کو، جو تصویر پر لاگو نہیں ہوتے، تشخیصی استدلال میں داخل ہونے سے روکنے کا کوئی طریقہ نہیں۔ پہلی خامی ٹولز کو ضرورت سے زیادہ بار کال کرنے یا بالکل نہ کرنے کا سبب بنتی ہے۔ دوسری زیادہ خطرناک ہے: ایک عدد محض عدد ہونے کی وجہ سے غلط نتیجے کو وزن دے سکتا ہے۔

2. بنیادی خیال: شواہد کی تلاش کو پیمائشوں کو قبول کرنے سے الگ رکھنا

X-Ragent ٹول-آگمنٹڈ ری انفورسمنٹ لرننگ کے لیے ایک پوسٹ ٹریننگ فریم ورک ہے۔ اس کا مرکزی ڈیزائن فیصلہ دو رویّوں کو الگ کرنا ہے۔ ایک یہ فیصلہ کرنا ہے کہ آیا معاون شواہد تلاش کرنے جانا ہے یا نہیں، جو ماڈل سیکھتا ہے۔ دوسرا ایک ویلیڈیٹی گیٹ ہے جو جانچتا ہے کہ آیا کوئی مقداری پیمائش اس امیج پر لاگو ہوتی ہے، اس سے پہلے کہ پیمائش کو استدلال میں شامل ہونے دیا جائے۔ پہلا ایک سیکھا ہوا فیصلہ ہے؛ دوسرا اعداد کے لیے داخلے کا قاعدہ ہے۔

تربیت دو مرحلوں پر مشتمل ہے۔ مصنفین پہلے Rad-CoT تیار کرتے ہیں، جو 7.7K نمونوں پر مشتمل ایک مجموعہ ہے جس میں علّتی ترتیب والی ٹول استعمال کی راہیں اور ریڈیالوجی رپورٹ کے انداز میں لکھا گیا تشخیصی استدلال ایک ساتھ جوڑے گئے ہیں۔ وہ اس کے ذریعے ایجنٹی نگرانی شدہ فائن ٹیوننگ سے Qwen3-VL-8B کو ابتدائی شکل دیتے ہیں۔

اس کے بعد وہ Group Relative Policy Optimization (GRPO) کے ذریعے پالیسی کو بہتر بناتے ہیں، جو ایک موجودہ طریقہ ہے جو ایک ہی سوال کے کئی جوابات کا نمونہ لیتا ہے اور اس سے سیکھتا ہے کہ ہر جواب گروپ کے باقی جوابات کے مقابلے میں کیسا ہے۔^[4] اصل حصہ انعام میں ہے۔ عمل کی سطح کے دو اجزا، ایک پیمائش کی مطابقت کے لیے اور ایک معاون ٹولز کے استعمال کی لاگت کے لیے، صرف ان ٹریجیکٹریز پر لاگو ہوتے ہیں جن کی تشخیص درست ہو۔ مصنفین اسے درستی سے مشروط انعام (accuracy-gated reward) کہتے ہیں۔ اس کا مقصد یہ روکنا ہے کہ بظاہر معقول عملی رویہ غلط تشخیص کی تلافی نہ کر سکے۔

3. خلاصہ کیا بتاتا ہے

• ڈیٹا: Rad-CoT، 7.7K نمونے جو ٹول کے استعمال کی ترتیبوں کو رپورٹ طرز کی استدلال کے ساتھ ملاتے ہیں۔
• تربیت: Qwen3-VL-8B جو ایجنٹک SFT سے شروع کیا گیا، پھر درستگی پر مبنی انعام کے تحت GRPO سے بہتر بنایا گیا۔
• نتائج: تین چیسٹ ایکسرے بینچ مارکس میں سب سے مضبوط نتائج، جن میں ChestAgentBench پر 8.6 پوائنٹ کی بہتری شامل ہے، جسے تربیت سے مکمل طور پر باہر رکھا گیا تھا۔
• مصنفین کی مطالعاتی رائے: شواہد کو منتخب طور پر تلاش کرکے اور صرف درست پیمائشوں کو قبول کرکے، یہ نظام زیادہ مستند اور شواہد پر مبنی استدلال کی معاونت کرتا ہے۔

کئی باتیں جانچنے کے قابل ہیں۔ خلاصہ یہ نہیں بتاتا کہ 8.6 پوائنٹ کا اضافہ کس کے مقابلے میں ناپا گیا ہے، بیس ماڈل کے یا کسی دوسرے ایجنٹ کے۔ یہ تین بینچ مارکس میں سے صرف ایک کا نام لیتا ہے۔ "سب سے مضبوط نتائج" اس پر منحصر ہے کہ موازنے کے لیے کن سسٹمز کا انتخاب کیا گیا۔ اور خلاصہ یہ نہیں دکھاتا کہ ریوارڈ ڈیزائن کا کون سا حصہ بہتری کا سبب ہے۔

4. ایک عملی مثال: کسی پیمائش کو استعمال نہ کرنے کا فیصلہ

یہ سمجھنے کے لیے کہ ناقابلِ اطلاق پیمائش کا کیا مطلب ہے، پڑھنے کی ایک مثال پر غور کریں۔ یہ مثال اس تصور کی وضاحت کرتی ہے؛ مقالہ اس صورتِ حال کا احاطہ کرتا ہے یا نہیں، یہ خلاصے سے طے نہیں کیا جا سکتا۔ سینے کے ایکس رے میں مریض کی پوزیشن اور شعاع کی سمت دل کے ظاہر ہونے کے انداز کو بدل دیتی ہے، اور دل کے حجم کا معیاری اشاریہ ہر تصویر کے لیے درست نہیں ہو سکتا۔

نکتہ یہ ہے کہ کسی ٹول کو کال کرنا اور اس کے آؤٹ پٹ کو قبول کرنا الگ الگ مراحل ہیں۔ ریوارڈ بھی یہی علیحدگی کرتا ہے۔ دونوں تربیتی سگنلز کو ساتھ ساتھ رکھنے سے فرق واضح ہو جاتا ہے۔

5. کیا نیا نہیں ہے، اور حدود کہاں ہیں

پہلے وہ بات دیکھیں جو نئی نہیں ہے۔ ٹولز استعمال کرنے والے طبی ایجنٹس پہلے کے کام میں موجود ہیں، اور ChestAgentBench خود ایسے ہی کام سے آیا تھا۔^[3] GRPO ایک مستحکم طریقہ ہے، اور زبانی ماڈل کی پوسٹ ٹریننگ میں نگرانی شدہ فائن ٹیوننگ کے بعد ری انفورسمنٹ لرننگ چلانا ایک عام طریقہ ہے۔ نئے حصے شواہد کی تلاش اور پیمائش کی قبولیت کے درمیان تقسیم، اور وہ انعام ہیں جو عمل کے کریڈٹ کو درست ٹریجیکٹریز تک محدود کرتا ہے۔

کئی حدود ہیں۔ پہلی، یہ معیار کہ کوئی پیمائش لاگو ہوتی ہے یا نہیں۔ خلاصہ یہ نہیں بتاتا کہ گیٹ کس چیز کو دیکھتا ہے، یا اس کے قواعد لوگوں نے لکھے تھے یا سیکھے گئے۔ اس کی تعمیر کے طریقے کے لحاظ سے، ممکن ہے کہ یہ ریڈیولوجسٹ کے فیصلے سے اختلاف کرے۔

دوسرا، جانچ کا دائرہ۔ بینچ مارک اسکور عموماً منظم سوالات پر درستگی ہوتے ہیں۔ خلاصہ مکمل رپورٹس کے معیار، چھوٹ جانے والے نتائج کی اقسام، یا کلینیکل فیصلوں پر اثرات کے بارے میں کچھ نہیں بتاتا، اور یہ بھی بیان نہیں کرتا کہ تینوں بینچ مارکس کے پیچھے کون سے ہسپتال یا امیجنگ حالات ہیں۔

تیسرا، Rad-CoT کی تشکیل۔ رفتارِ استدلال کو علّتی ترتیب میں بیان کیا گیا ہے، لیکن خلاصے میں یہ نہیں بتایا گیا کہ انہیں کس نے اور کیسے جانچا۔ تربیتی استدلال میں جو بھی تعصبات موجود ہوں، ماڈل ان کے ساتھ ساتھ انہیں بھی سیکھ لے گا۔

چوتھا، تکرارِ نتائج (reproducibility)۔ انتخابی ڈیٹا میں GitHub stars صفر درج ہیں اور کوئی عوامی ریپوزٹری نہیں ہے۔ اس مضمون نے اس بات کی تصدیق نہیں کی کہ کوڈ یا ڈیٹا دستیاب ہے یا نہیں۔

6. اس نے توجہ کیوں حاصل کی، اور یہ مجموعہ اب بھی چھوٹا کیوں ہے

سلیکشن پائپ لائن نے اس مقالے کو Reasoning & Learning کے تحت رکھا۔ اس کا کلسٹر سائز 1 ہے: اس جمع آوری کی مدت میں اسی سوال پر کوئی اور مقالہ سامنے نہیں آیا، اور واحد سگنل Hugging Face کے مقالہ صفحے پر ووٹس کا تھا، جس میں 67 اپ ووٹس، 1 تبصرہ اور 0 GitHub اسٹارز تھے۔^[2] اپ ووٹس ظاہر کرتے ہیں کہ محققین نے مقالے کو نوٹ کیا۔ وہ اس بارے میں کچھ نہیں بتاتے کہ اس کے دعوے درست ہیں یا اس کی کوئی طبی قدر ہے۔

مقالے کے کلیدی الفاظ آج بھی بتاتے ہیں کہ یہ کہاں کھڑا ہے: ٹول سے مضبوط کی گئی ری انفورسمنٹ لرننگ، GRPO، ایجنٹک سپروائزڈ فائن ٹیوننگ، شواہد پر مبنی استدلال۔ یہ اصطلاحات حالیہ ایجنٹ تحقیق میں بار بار آتی ہیں۔ اس سائٹ نے حال ہی میں ایسے مقالات کا احاطہ کیا ہے جو ایجنٹس کے اپنے شواہد مکمل ہونے سے پہلے عمل کرنے، اور لوگوں کو ایجنٹ کے اقدامات کی بنیادیں دکھانے کے بارے میں ہیں۔

X-Ragent اس سلسلۂ کار کو ایک مخصوص شعبے، یعنی طبی امیجنگ، میں لے آتا ہے۔ سوال اب "کیا ایجنٹ ٹولز استعمال کر سکتا ہے؟" سے بدل کر "ٹولز جو کچھ واپس کریں اس پر کب بھروسا کرنا چاہیے؟" بنتا جا رہا ہے۔ تاہم ایک مقالے سے کوئی موضوع نہیں بنتا۔ آیا یہ رجحان ایک مجموعے کی شکل اختیار کرتا ہے، یہ آنے والے ہفتوں میں دیکھنے کی بات ہے۔

7. یہ دواسازی اور ریگولیٹری عمل سے کہاں جڑتا ہے

تصویری تشخیص میں مدد دینے والے سافٹ ویئر کو طبی آلے کے طور پر ریگولیٹ کیا جا سکتا ہے۔ اس کے جائزے میں صرف کارکردگی کے اعداد و شمار ہی نہیں بلکہ وہ شرائط بھی شامل ہوتی ہیں جن کے تحت اسے استعمال کیا جا سکتا ہے اور نہیں کیا جا سکتا۔ ناقابلِ اطلاق پیمائشوں کو استدلال سے باہر رکھنے کا خیال استعمال کی شرائط کے اسی تصور سے ہم آہنگ ہے۔ جو نظام یہ طے کرتا ہے کہ پیمائش کا آلہ کب لاگو نہیں ہوتا، اور اس فیصلے کو درج کرتا ہے، وہ ایسا مواد تیار کرتا ہے جو وضاحت کی تائید کر سکتا ہے۔

درستگی سے مشروط انعام ایک معیار کی یقین دہانی کے اصول سے بھی مشابہ ہے۔ طریقہ کار پر عمل کرنا درست نتیجے کا متبادل نہیں ہے۔ طریقہ کار کا جائزہ نتیجے کے درست ہونے کی تصدیق کے بعد لیا جاتا ہے۔ مینوفیکچرنگ اور جانچ میں جو معمول کی بات ہے، اسے یہاں انعام کے ڈیزائن کے طور پر دوبارہ لکھا گیا ہے۔

کسی پری پرنٹ کے بینچ مارک نتائج کو کلینیکل کارکردگی کے طور پر نہیں پڑھا جا سکتا۔ دوا ساز کمپنیوں کا اس طرح کی ٹیکنالوجی سے سامنا سب سے زیادہ کلینیکل ٹرائلز میں امیجز کی ریڈنگ میں معاونت، یا ان ریڈنگز کی یکسانیت کی جانچ میں ہونے کا امکان ہے۔ وہاں بھی یہ ریکارڈ رکھنا لازمی ہے کہ کون سی پیمائشیں قبول کی گئیں اور کون سی مسترد، حتمی فیصلہ معالجین کے ہاتھ میں رہنا چاہیے، اور ریکارڈ بعد کے جائزے کے لیے کھلا ہونا چاہیے۔ عملی طور پر جو بات آگے لے جانے کے قابل ہے وہ کوئی مخصوص عدد نہیں بلکہ ڈیزائن کا خیال ہے: شواہد تلاش کرنے اور شواہد قبول کرنے کو دو الگ فیصلے سمجھیں۔