Fugu-MT 論文翻訳(概要): Knowledge Grounded Conversational Symptom Detection with Graph Memory Networks

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