論文の概要: More but Correct: Generating Diversified and Entity-revised Medical Response

• arxiv url: http://arxiv.org/abs/2108.01266v1
• Date: Tue, 3 Aug 2021 03:03:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-04 14:10:05.366128
• Title: More but Correct: Generating Diversified and Entity-revised Medical Response
• Title（参考訳）: より正確: 多様性とエンティティ改訂医療反応の生成
• Authors: Bin Li, Encheng Chen, Hongru Liu, Yixuan Weng, Bin Sun, Shutao Li, Yongping Bai and Meiling Hu
• Abstract要約: 医療対話生成(MDG)は、インテリジェントな相談のための医療対話システムを構築することを目的としている。 本稿では,2021年中国の知識グラフとセマンティックコンピューティングに関するカンファレンスによって組織された,中国のMDGのためのフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 20.455550758441483
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical Dialogue Generation (MDG) is intended to build a medical dialogue system for intelligent consultation, which can communicate with patients in real-time, thereby improving the efficiency of clinical diagnosis with broad application prospects. This paper presents our proposed framework for the Chinese MDG organized by the 2021 China conference on knowledge graph and semantic computing (CCKS) competition, which requires generating context-consistent and medically meaningful responses conditioned on the dialogue history. In our framework, we propose a pipeline system composed of entity prediction and entity-aware dialogue generation, by adding predicted entities to the dialogue model with a fusion mechanism, thereby utilizing information from different sources. At the decoding stage, we propose a new decoding mechanism named Entity-revised Diverse Beam Search (EDBS) to improve entity correctness and promote the length and quality of the final response. The proposed method wins both the CCKS and the International Conference on Learning Representations (ICLR) 2021 Workshop Machine Learning for Preventing and Combating Pandemics (MLPCP) Track 1 Entity-aware MED competitions, which demonstrate the practicality and effectiveness of our method.
• Abstract（参考訳）: 医療対話生成 (MDG) は, 患者とリアルタイムにコミュニケーションし, 幅広い応用可能性で臨床診断の効率化を図る, インテリジェントコンサルティングのための医療対話システムを構築することを目的としている。 本稿では,2021年中国知識グラフ・意味コンピューティングコンペティション(ccks)コンペティションにおいて,対話履歴に基づいてコンテキスト一貫性と医学的意味のある応答を生成するための枠組みを提案する。 本稿では,対話モデルに予測されたエンティティを融合機構で付加し,異なる情報源からの情報を活用することによって,エンティティ予測とエンティティ認識対話生成からなるパイプラインシステムを提案する。 復号段階では,エンティティ修正横ビームサーチ(EDBS)と呼ばれる新しい復号機構を提案し,エンティティの正しさを向上し,最終応答の長さと品質を向上する。 提案手法は,CCKS と International Conference on Learning Representations (ICLR) 2021 Workshop Machine Learning for Preventing and Combating Pandemics (MLPCP) Track 1 Entity-Aware MED competitions に勝つ。

関連論文リスト

• MRC-based Nested Medical NER with Co-prediction and Adaptive Pre-training [0.38498367961730184]
  医療分野におけるモデルの能力向上のために,タスク適応型事前学習戦略を用いたMRC(Machine Reading)に基づく医療NERモデルを提案する。 提案手法は, 比較最先端モデル(SOTA)よりも優れている。
  論文  参考訳（メタデータ） (2024-03-23T11:14:02Z)
• CoRelation: Boosting Automatic ICD Coding Through Contextualized Code Relation Learning [56.782963838838036]
  我々は,ICDコード表現の学習を促進するために,文脈的かつ柔軟なフレームワークである新しい手法を提案する。 提案手法では,可能なすべてのコード関係をモデル化する際の臨床ノートのコンテキストを考慮した,依存型学習パラダイムを採用している。
  論文  参考訳（メタデータ） (2024-02-24T03:25:28Z)
• AI Hospital: Benchmarking Large Language Models in a Multi-agent Medical Interaction Simulator [69.51568871044454]
  我々は,emphDoctorをプレイヤとして,NPC間の動的医療相互作用をシミュレーションするフレームワークであるtextbfAI Hospitalを紹介した。 この設定は臨床シナリオにおけるLCMの現実的な評価を可能にする。 高品質な中国の医療記録とNPCを利用したマルチビュー医療評価ベンチマークを開発した。
  論文  参考訳（メタデータ） (2024-02-15T06:46:48Z)
• Integrating Physician Diagnostic Logic into Large Language Models: Preference Learning from Process Feedback [19.564416963801268]
  プロセスフィードバックから選好学習というアプローチを提案する。 PLPFは医師の診断ロジックをLSMに統合する。 PLPFは医療会話におけるベースラインモデルの診断精度を17.6%向上させる。
  論文  参考訳（メタデータ） (2024-01-11T06:42:45Z)
• Improving Medical Dialogue Generation with Abstract Meaning Representations [26.97253577302195]
  医療対話生成は、患者への医療専門知識の普及を促進することで遠隔医療において重要な役割を担っている。 既存の研究は、テキストのセマンティクスを表現する能力に制限があるテキスト表現を取り入れることに焦点を当てている。 本稿では、抽象的意味表現(AMR)を用いて、言語構成員や医療機関の役割を記述したグラフィカルな表現を構築する。
  論文  参考訳（メタデータ） (2023-09-19T13:31:49Z)
• Leveraging A Medical Knowledge Graph into Large Language Models for Diagnosis Prediction [7.5569033426158585]
  自動診断におけるLarge Language Models (LLMs) の習熟度を高めるための革新的なアプローチを提案する。 我々は,国立医科大学統一医療言語システム(UMLS)からKGを抽出した。 我々のアプローチは説明可能な診断経路を提供し、AIによる診断決定支援システムの実現に近づいている。
  論文  参考訳（メタデータ） (2023-08-28T06:05:18Z)
• Multi-task Paired Masking with Alignment Modeling for Medical Vision-Language Pre-training [55.56609500764344]
  本稿では,マルチタスク・ペアド・マスキング・アライメント(MPMA)に基づく統合フレームワークを提案する。 また, メモリ拡張クロスモーダルフュージョン (MA-CMF) モジュールを導入し, 視覚情報を完全統合し, レポート再構築を支援する。
  論文  参考訳（メタデータ） (2023-05-13T13:53:48Z)
• PMC-LLaMA: Towards Building Open-source Language Models for Medicine [62.39105735933138]
  大規模言語モデル(LLM)は、自然言語理解において顕著な能力を示した。 LLMは、ドメイン固有の知識が不足しているため、医学的応用のような正確性を必要とする領域で苦労している。 PMC-LLaMAと呼ばれる医療応用に特化した強力なオープンソース言語モデルの構築手順について述べる。
  論文  参考訳（メタデータ） (2023-04-27T18:29:05Z)
• A Meta-embedding-based Ensemble Approach for ICD Coding Prediction [64.42386426730695]
  国際疾病分類 (icd) は、世界中で臨床コーディングに使われているデファクトコードである。 これらのコードにより、医療提供者は償還を請求し、診断情報の効率的な保管と検索を容易にします。 提案手法は,日常的な医学データと科学論文の外部知識を用いて,効果的に単語ベクトルを訓練することにより,神経モデルの性能を高める。
  論文  参考訳（メタデータ） (2021-02-26T17:49:58Z)
• MedDG: An Entity-Centric Medical Consultation Dataset for Entity-Aware Medical Dialogue Generation [86.38736781043109]
  MedDGという12種類の消化器疾患に関連する大規模医用対話データセットを構築し,公開する。 MedDGデータセットに基づく2種類の医療対話タスクを提案する。1つは次のエンティティ予測であり、もう1つは医師の反応生成である。 実験結果から,プレトレイン言語モデルと他のベースラインは,両方のタスクに苦戦し,データセットの性能が劣ることがわかった。
  論文  参考訳（メタデータ） (2020-10-15T03:34:33Z)

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。