論文の概要: "My nose is running.""Are you also coughing?": Building A Medical Diagnosis Agent with Interpretable Inquiry Logics

• arxiv url: http://arxiv.org/abs/2204.13953v2
• Date: Mon, 2 May 2022 10:00:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-03 11:05:14.353312
• Title: "My nose is running.""Are you also coughing?": Building A Medical Diagnosis Agent with Interpretable Inquiry Logics
• Title（参考訳）: 「私の鼻が走っている」「あなたもcooughing?」:解釈可能な問合せ論理を持つ医療診断エージェントの構築
• Authors: Wenge Liu, Yi Cheng, Hao Wang, Jianheng Tang, Yafei Liu, Ruihui Zhao, Wenjie Li, Yefeng Zheng, Xiaodan Liang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 80.55587329326046
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rise of telemedicine, the task of developing Dialogue Systems for Medical Diagnosis (DSMD) has received much attention in recent years. Different from early researches that needed to rely on extra human resources and expertise to help construct the system, recent researches focused on how to build DSMD in a purely data-driven manner. However, the previous data-driven DSMD methods largely overlooked the system interpretability, which is critical for a medical application, and they also suffered from the data sparsity issue at the same time. In this paper, we explore how to bring interpretability to data-driven DSMD. Specifically, we propose a more interpretable decision process to implement the dialogue manager of DSMD by reasonably mimicking real doctors' inquiry logics, and we devise a model with highly transparent components to conduct the inference. Moreover, we collect a new DSMD dataset, which has a much larger scale, more diverse patterns and is of higher quality than the existing ones. The experiments show that our method obtains 7.7%, 10.0%, 3.0% absolute improvement in diagnosis accuracy respectively on three datasets, demonstrating the effectiveness of its rational decision process and model design. Our codes and the GMD-12 dataset are available at https://github.com/lwgkzl/BR-Agent.
• Abstract（参考訳）: 近年,遠隔医療の普及に伴い,Dialogue Systems for Medical Diagnosis (DSMD) の開発が注目されている。 システム構築に余分な人材と専門知識を必要とする初期の研究とは異なり、最近の研究は純粋にデータ駆動の方法でdsmdを構築する方法に焦点を当てた。 しかし、従来のデータ駆動DSMD手法は、医療アプリケーションにとって重要なシステム解釈可能性を見落としており、同時にデータ空間の問題にも悩まされていた。 本稿では,データ駆動DSMDに解釈可能性をもたらす方法について検討する。 具体的には,実際の医師の問合せ論理を合理的に模倣して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。 さらに,DSMDデータセットを新たに収集し,既存のデータセットよりもスケールが大きく,パターンも多様であり,高品質である。 実験の結果,3つのデータセットでそれぞれ診断精度が7.7%,10.0%,3.0%向上し,合理的決定プロセスとモデル設計の有効性が示された。 私たちのコードとgmd-12データセットはhttps://github.com/lwgkzl/br-agentで利用可能です。

関連論文リスト

• Automatic Differential Diagnosis using Transformer-Based Multi-Label Sequence Classification [0.0]
  本稿では,患者の年齢,性別,医療歴,症状に基づく鑑別診断のためのトランスフォーマーベースのアプローチを提案する。 DDXPlus データセットを用いて,49 種類の疾患を鑑別し,鑑別診断情報を提供する。
  論文  参考訳（メタデータ） (2024-08-28T14:40:15Z)
• DrHouse: An LLM-empowered Diagnostic Reasoning System through Harnessing Outcomes from Sensor Data and Expert Knowledge [6.975200202913554]
  大規模言語モデル(LLM)は、デジタルヘルスケアを変革する可能性がある。 そこで本研究では,LLMベースのマルチターンバーチャルドクターシステムDrHouseを紹介する。 診断プロセスにはスマートデバイスからのセンサデータが含まれており、精度と信頼性が向上している。 DrHouseは最先端のベースラインよりも18.8%の精度で診断できる。
  論文  参考訳（メタデータ） (2024-05-21T07:16:12Z)
• 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)
• DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
  より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。 The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
  論文  参考訳（メタデータ） (2023-12-02T22:57:25Z)
• Towards Generalist Foundation Model for Radiology by Leveraging Web-scale 2D&3D Medical Data [66.9359934608229]
  この研究はRadFMと呼ばれるRadlogy Foundation Modelの開発を開始することを目的としている。 われわれの知る限りでは、これは2Dスキャンと3Dスキャンによる、最初の大規模で高品質な医療用ビジュアル言語データセットである。 本稿では,モダリティ認識,疾患診断,視覚的質問応答,レポート生成,合理的診断の5つのタスクからなる新しい評価ベンチマークRadBenchを提案する。
  論文  参考訳（メタデータ） (2023-08-04T17:00:38Z)
• Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance [49.87607548975686]
  関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。 本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。 提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-06-02T01:46:31Z)
• 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)
• MMLN: Leveraging Domain Knowledge for Multimodal Diagnosis [10.133715767542386]
  肺疾患診断のための知識駆動型およびデータ駆動型フレームワークを提案する。 本研究は, 臨床医学ガイドラインに従って診断規則を定式化し, テキストデータから規則の重みを学習する。 テキストと画像データからなるマルチモーダル融合は、肺疾患の限界確率を推定するために設計されている。
  論文  参考訳（メタデータ） (2022-02-09T04:12:30Z)
• 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)
• Towards Causality-Aware Inferring: A Sequential Discriminative Approach for Medical Diagnosis [142.90770786804507]
  医学診断アシスタント(MDA)は、疾患を識別するための症状を逐次調査する対話型診断エージェントを構築することを目的としている。 この研究は、因果図を利用して、MDAにおけるこれらの重要な問題に対処しようとする。 本稿では,他の記録から知識を引き出すことにより,非記録的調査に効果的に答える確率に基づく患者シミュレータを提案する。
  論文  参考訳（メタデータ） (2020-03-14T02:05:54Z)

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。