論文の概要: Knowledge Grounded Conversational Symptom Detection with Graph Memory Networks

• arxiv url: http://arxiv.org/abs/2101.09773v1
• Date: Sun, 24 Jan 2021 18:50:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-19 05:01:59.720539
• Title: Knowledge Grounded Conversational Symptom Detection with Graph Memory Networks
• Title（参考訳）: グラフメモリネットワークを用いた知識接地会話症状検出
• Authors: Hongyin Luo, Shang-Wen Li, James Glass
• Abstract要約: 対話を通じて患者と対話し,臨床症状を自動的に検出し収集するシステムを構築した。 患者が診断のためのダイアログを開始するための明示的な症状のセットが与えられた場合、システムは質問によって暗黙の症状を収集するように訓練される。 各質問に対する患者からの回答を得た後、システムはまた、現在の情報が人間の医師が診断を行うのに十分であるかどうかを決定します。
• 参考スコア（独自算出の注目度）: 5.788153402669881
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we propose a novel goal-oriented dialog task, automatic symptom detection. We build a system that can interact with patients through dialog to detect and collect clinical symptoms automatically, which can save a doctor's time interviewing the patient. Given a set of explicit symptoms provided by the patient to initiate a dialog for diagnosing, the system is trained to collect implicit symptoms by asking questions, in order to collect more information for making an accurate diagnosis. After getting the reply from the patient for each question, the system also decides whether current information is enough for a human doctor to make a diagnosis. To achieve this goal, we propose two neural models and a training pipeline for the multi-step reasoning task. We also build a knowledge graph as additional inputs to further improve model performance. Experiments show that our model significantly outperforms the baseline by 4%, discovering 67% of implicit symptoms on average with a limited number of questions.
• Abstract（参考訳）: 本研究では,新しい目標指向対話タスクである自動症状検出を提案する。 対話を通じて患者と対話し、自動的に臨床症状を検出し収集するシステムを構築し、医師が患者にインタビューする時間を節約する。 患者が診断のためのダイアログを開始するための明示的な症状のセットが与えられた場合、システムは、正確な診断を行うためのより多くの情報を集めるために、質問によって暗黙の症状を収集するように訓練される。 各質問に対して患者から回答を得た後、システムは現在の情報がヒトの医師が診断するのに十分かどうかを判断する。 この目的を達成するために,多段階推論タスクのための2つのニューラルモデルとトレーニングパイプラインを提案する。 モデルパフォーマンスをさらに向上させるために、追加のインプットとしてナレッジグラフを構築しています。 実験の結果,本モデルがベースラインを4%上回っており,平均して暗黙症状の67%が質問数が少ないことが明らかとなった。
• 全文 参考訳へのリンク

関連論文リスト

• DDXPlus: A new Dataset for Medical Automatic Diagnosis [2.7126836481535213]
  本研究は, 患者ごとの鑑別診断, 基礎的真理病理学を含む大規模合成データセットを提案する。 概念実証として,既存のADおよびASDシステムを拡張し,鑑別診断を取り入れた。 我々は,これらのシステムにおいて,差分を訓練信号に用いて差分を予測することが不可欠であることを示す経験的証拠を提供する。
  論文  参考訳（メタデータ） (2022-05-18T18:03:39Z)
• 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)
• "My nose is running.""Are you also coughing?": Building A Medical Diagnosis Agent with Interpretable Inquiry Logics [80.55587329326046]
  本稿では,DSMDの対話マネージャを実装するための,より解釈可能な意思決定プロセスを提案する。 推論を行うために、非常に透明なコンポーネントを持つモデルを考案する。 実験の結果,診断精度は7.7%,10.0%,3.0%向上した。
  論文  参考訳（メタデータ） (2022-04-29T09:02:23Z)
• A Benchmark for Automatic Medical Consultation System: Frameworks, Tasks and Datasets [70.32630628211803]
  本稿では,医師と患者との対話理解とタスク指向インタラクションという,医療相談の自動化を支援する2つの枠組みを提案する。 マルチレベルな微粒なアノテーションを付加した新しい大規模医療対話データセットが導入された。 本稿では,各タスクに対するベンチマーク結果のセットを報告し,データセットのユーザビリティを示し,今後の研究のベースラインを設定する。
  論文  参考訳（メタデータ） (2022-04-19T16:43:21Z)
• Diaformer: Automatic Diagnosis via Symptoms Sequence Generation [14.90347470039301]
  変換器(ダイアフォーマ)に基づく簡易かつ効果的な自動診断モデルを提案する。 まず,症状調査と疾患診断の創出を学ぶために,症状注意枠組みを設計する。 3つの公開データセットの実験により、我々のモデルは、トレーニング効率が最も高い1%、6%、11.5%で疾患診断のベースラインを上回ります。
  論文  参考訳（メタデータ） (2021-12-20T10:26:59Z)
• Efficient Symptom Inquiring and Diagnosis via Adaptive Alignment of Reinforcement Learning and Classification [0.6415701940560564]
  そこで本研究では,それぞれに強化学習課題と分類課題として定式化された症状検索と疾患診断を併用した医学的自動診断法を提案する。 我々はMedlinePlus知識ベースから抽出された新しいデータセットを作成し、より多くの病気とより完全な症状情報を含む。 実験結果から,本手法は異なるデータセット上での3つの最新手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2021-12-01T11:25:42Z)
• Semi-Supervised Variational Reasoning for Medical Dialogue Generation [70.838542865384]
  医療対話生成には,患者の状態と医師の行動の2つの重要な特徴がある。 医療対話生成のためのエンドツーエンドの変分推論手法を提案する。 行動分類器と2つの推論検出器から構成される医師政策ネットワークは、拡張推論能力のために提案される。
  論文  参考訳（メタデータ） (2021-05-13T04:14:35Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• 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)

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。