論文の概要: Task-oriented Dialogue System for Automatic Disease Diagnosis via Hierarchical Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2004.14254v1
• Date: Wed, 29 Apr 2020 15:02:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-08 12:41:31.894984
• Title: Task-oriented Dialogue System for Automatic Disease Diagnosis via Hierarchical Reinforcement Learning
• Title（参考訳）: 階層的強化学習による自動疾患診断のためのタスク指向対話システム
• Authors: Kangenbei Liao, Qianlong Liu, Zhongyu Wei, Baolin Peng, Qin Chen, Weijian Sun, Xuanjing Huang
• Abstract要約: 本稿では,タスク指向対話における強化学習(RL)手法を用いた自動疾患診断に焦点を当てた。 本稿では,対話政策学習に2段階の階層的政策を統合することを提案する。 自己構築された実世界のデータセットと合成データセットの両方の実験結果から,我々の階層的枠組みは既存のシステムと比較して疾患診断の精度が高いことが示された。
• 参考スコア（独自算出の注目度）: 61.07591317619132
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we focus on automatic disease diagnosis with reinforcement learning (RL) methods in task-oriented dialogues setting. Different from conventional RL tasks, the action space for disease diagnosis (i.e., symptoms) is inevitably large, especially when the number of diseases increases. However, existing approaches to this problem employ a flat RL policy, which typically works well in simple tasks but has significant challenges in complex scenarios like disease diagnosis. Towards this end, we propose to integrate a hierarchical policy of two levels into the dialogue policy learning. The high level policy consists of a model named master that is responsible for triggering a model in low level, the low level policy consists of several symptom checkers and a disease classifier. Experimental results on both self-constructed real-world and synthetic datasets demonstrate that our hierarchical framework achieves higher accuracy in disease diagnosis compared with existing systems. Besides, the datasets (http://www.sdspeople.fudan.edu.cn/zywei/data/Fudan-Medical-Dialogue2.0) and codes (https://github.com/nnbay/MeicalChatbot-HRL) are all available now.
• Abstract（参考訳）: 本稿では,タスク指向対話における強化学習(RL)手法を用いた自動疾患診断に焦点をあてる。 従来のRLタスクとは異なり、特に疾患の数が増えると、疾患診断のためのアクションスペース(つまり症状)は必然的に大きくなる。 しかしながら、この問題に対する既存のアプローチはフラットなRLポリシーを採用しており、通常は単純なタスクでうまく機能するが、病気の診断のような複雑なシナリオでは大きな課題がある。 そこで我々は,対話政策学習に2段階の階層的政策を統合することを提案する。 高レベルポリシーは、モデルを低レベルにトリガーするマスターと呼ばれるモデルから成り、低レベルポリシーはいくつかの症状チェッカーと疾患分類器から構成される。 自己構築型実世界データと合成データの両方における実験結果から, 既存のシステムと比較して, 診断精度の高い階層的フレームワークが得られた。 さらにデータセット(http://www.sds People.fudan.edu.cn/zywei/data/Fudan-Medical-Dialogue2.0)とコード(https://github.com/nnbay/MeicalChatbot-HRL)も現在利用可能である。

関連論文リスト

• Conversational Disease Diagnosis via External Planner-Controlled Large Language Models [18.93345199841588]
  本研究は,医師のエミュレートによる計画能力の向上を目的としたLCMに基づく診断システムを提案する。 実際の患者電子カルテデータを利用して,仮想患者と医師とのシミュレーション対話を構築した。
  論文  参考訳（メタデータ） (2024-04-04T06:16:35Z)
• OpenClinicalAI: An Open and Dynamic Model for Alzheimer's Disease Diagnosis [11.775648630734949]
  アルツハイマー病(AD)は逆転や治癒はできないが、タイムリーな診断は治療やケアの負担を大幅に軽減することができる。 AD診断モデルに関する現在の研究は、診断タスクを典型的な分類タスクと見なしている。 複雑で不確実な臨床環境下での直接AD診断のためのOpenClinicalAIを提案する。
  論文  参考訳（メタデータ） (2023-07-03T12:35:03Z)
• Federated Offline Reinforcement Learning [55.326673977320574]
  マルチサイトマルコフ決定プロセスモデルを提案する。 我々は,オフラインRLを対象とした最初のフェデレーション最適化アルゴリズムを設計する。 提案アルゴリズムでは,学習ポリシーの準最適性は,データが分散していないような速度に匹敵する,理論的保証を与える。
  論文  参考訳（メタデータ） (2022-06-11T18:03:26Z)
• Scalable Online Disease Diagnosis via Multi-Model-Fused Actor-Critic Reinforcement Learning [9.274138493400436]
  医療のアドバイスをオンラインで求めている人にとっては、患者と対話して自動的に疾患を診断できるAIベースの対話エージェントが有効な選択肢だ。 これは、強化学習(RL)アプローチを自然解として提案した逐次的特徴(症状)選択と分類の問題として定式化することができる。 生成的アクターネットワークと診断批評家ネットワークから構成されるMMF-AC(Multi-Model-Fused Actor-Critic)フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-08T03:06:16Z)
• NeuralSympCheck: A Symptom Checking and Disease Diagnostic Neural Model with Logic Regularization [59.15047491202254]
  症状検査システムは、患者に症状を問い合わせ、迅速で手頃な価格の医療評価を行う。 本稿では,論理正則化を用いたニューラルネットワークの教師付き学習に基づく新しい手法を提案する。 以上の結果から,本手法は診断回数や症状が大きい場合の診断精度において,最も優れた方法であることがわかった。
  論文  参考訳（メタデータ） (2022-06-02T07:57:17Z)
• DxFormer: A Decoupled Automatic Diagnostic System Based on Decoder-Encoder Transformer with Dense Symptom Representations [26.337392652262103]
  診断指向対話システムは患者の健康状態を照会し、患者との継続的な対話を通じて疾患の予測を行う。 本稿では,診断プロセスを症状調査と疾患診断の2つの段階に分割する,分離された自動診断フレームワークDxFormerを提案する。 提案モデルは,医師の臨床経験を効果的に学習し,症状のリコールと診断精度の点で最先端の結果を得ることができる。
  論文  参考訳（メタデータ） (2022-05-08T01:52:42Z)
• Bayesian Structural Learning for an Improved Diagnosis of Cyber-Physical Systems [0.8379286663107844]
  本稿では,構造化診断モデルの自動学習のためのスケーラブルアルゴリズムを提案する。 比較アルゴリズムと同等のパフォーマンスを提供し、解釈性を向上させます。
  論文  参考訳（メタデータ） (2021-04-02T11:14:05Z)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)
• Graph-Evolving Meta-Learning for Low-Resource Medical Dialogue Generation [150.52617238140868]
  ソース疾患からターゲット疾患へ診断経験を移すために、低リソースの医療対話生成を提案します。 また,新しい疾患の症状相関を推論するためのコモンセンスグラフの進化を学習するグラフ進化メタラーニングフレームワークを開発した。
  論文  参考訳（メタデータ） (2020-12-22T13:20:23Z)
• Learning Binary Semantic Embedding for Histology Image Classification and Retrieval [56.34863511025423]
  バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。 効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。 3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
  論文  参考訳（メタデータ） (2020-10-07T08:36:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。