論文の概要: Graph-Evolving Meta-Learning for Low-Resource Medical Dialogue Generation

• arxiv url: http://arxiv.org/abs/2012.11988v1
• Date: Tue, 22 Dec 2020 13:20:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-26 07:48:44.802901
• Title: Graph-Evolving Meta-Learning for Low-Resource Medical Dialogue Generation
• Title（参考訳）: 低リソース医療対話生成のためのグラフ進化メタラーニング
• Authors: Shuai Lin, Pan Zhou, Xiaodan Liang, Jianheng Tang, Ruihui Zhao, Ziliang Chen, Liang Lin
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 150.52617238140868
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Human doctors with well-structured medical knowledge can diagnose a disease merely via a few conversations with patients about symptoms. In contrast, existing knowledge-grounded dialogue systems often require a large number of dialogue instances to learn as they fail to capture the correlations between different diseases and neglect the diagnostic experience shared among them. To address this issue, we propose a more natural and practical paradigm, i.e., low-resource medical dialogue generation, which can transfer the diagnostic experience from source diseases to target ones with a handful of data for adaptation. It is capitalized on a commonsense knowledge graph to characterize the prior disease-symptom relations. Besides, we develop a Graph-Evolving Meta-Learning (GEML) framework that learns to evolve the commonsense graph for reasoning disease-symptom correlations in a new disease, which effectively alleviates the needs of a large number of dialogues. More importantly, by dynamically evolving disease-symptom graphs, GEML also well addresses the real-world challenges that the disease-symptom correlations of each disease may vary or evolve along with more diagnostic cases. Extensive experiment results on the CMDD dataset and our newly-collected Chunyu dataset testify the superiority of our approach over state-of-the-art approaches. Besides, our GEML can generate an enriched dialogue-sensitive knowledge graph in an online manner, which could benefit other tasks grounded on knowledge graph.
• Abstract（参考訳）: 構造化された医療知識を持つ人間の医師は、症状に関する患者との会話を通じてのみ、病気を診断することができる。 対照的に、既存の知識ベース対話システムでは、異なる疾患間の相関を捉え、それらの間で共有される診断経験を無視するため、多くの対話インスタンスを学習する必要があることが多い。 この問題に対処するために、我々は、より自然で実用的なパラダイム、すなわち、低リソースの医療対話生成を提案し、ソース疾患からターゲット疾患への診断経験を、適応のための少数のデータで転送することができる。 既往の疾患症状の関係を特徴付けるために、常識知識グラフで大文字化されている。 さらに,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(GEML)フレームワークを開発し,多数の対話の必要性を効果的に軽減する。 さらに重要なことに、GEMLは疾患症状グラフを動的に進化させることで、各疾患の症状相関がより多くの診断ケースとともに変化する、あるいは進化する、という現実の課題にも対処する。 CMDDデータセットと新たにコンパイルされた中入データセットの大規模な実験結果から,最先端アプローチに対するアプローチの優位性が確認された。 さらに、GEMLは、豊富な対話に敏感な知識グラフをオンライン形式で生成できるので、知識グラフに基づく他のタスクにも役立ちます。

関連論文リスト

• GAMMA-PD: Graph-based Analysis of Multi-Modal Motor Impairment Assessments in Parkinson's Disease [9.69595196614787]
  本稿では,多モード臨床データ解析のための新しいヘテロジニアスハイパーグラフ融合フレームワークであるGAMA-PDを提案する。 GAMMA-PDは、高次情報を保存することにより、画像と非画像データを"ハイパーネットワーク"(患者集団グラフ)に統合する。 パーキンソン病における運動障害症状の予測に有意な改善が認められた。
  論文  参考訳（メタデータ） (2024-10-01T15:51:33Z)
• MMGPL: Multimodal Medical Data Analysis with Graph Prompt Learning [31.21351373001379]
  神経疾患の診断のための多モード大規模モデルの微調整過程におけるグラフプロンプトの学習による新しいプロンプト学習モデルを提案する。 具体的には、まずGPT-4を利用して、関連する疾患の概念を取得し、これらの概念とすべてのパッチのセマンティックな類似性を計算する。 第2に、各パッチと疾患関連概念のセマンティックな類似性に応じて、無関係パッチの重量を減少させる。
  論文  参考訳（メタデータ） (2023-12-22T10:10:50Z)
• Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report Generation [92.73584302508907]
  コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。 詳しくは、グラフの基本構造は一般知識から事前構築される。 各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
  論文  参考訳（メタデータ） (2023-03-18T03:53:43Z)
• Context-aware Health Event Prediction via Transition Functions on Dynamic Disease Graphs [15.17817233616652]
  多くの機械学習アプローチは、患者の異なる訪問で病気の表現が静的であると仮定している。 動的疾患グラフ上の遷移関数を用いた文脈認識学習フレームワークを提案する。 2つの実世界のEHRデータセットの実験結果から、提案されたモデルは、健康事象を予測する上で、技術の現状よりも優れていることが示された。
  論文  参考訳（メタデータ） (2021-12-09T20:06:39Z)
• A Weighted Heterogeneous Graph Based Dialogue System [22.959887100864634]
  本研究は, 重み付きヘテロジニアスグラフを用いた疾患診断のための対話システムを提案する。 具体的には、症状共起に基づく重み付きヘテロジニアスグラフと、症状周波数逆病頻度を提案する。 そこで本研究では,対話管理のためのグラフベースのディープQ-ネットワーク(Graph-DQN)を提案する。
  論文  参考訳（メタデータ） (2020-10-21T01:22:37Z)
• A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease Progression with MEG Brain Networks [59.15734147867412]
  アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。 我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。 我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
  論文  参考訳（メタデータ） (2020-05-08T02:29:24Z)
• Hierarchical Reinforcement Learning for Automatic Disease Diagnosis [52.111516253474285]
  政策学習のための対話システムに2段階の階層的な政策構造を統合することを提案する。 提案した政策構造は,多くの疾患や症状を含む診断問題に対処することができる。
  論文  参考訳（メタデータ） (2020-04-29T15:02:41Z)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。