論文の概要: NeuralSympCheck: A Symptom Checking and Disease Diagnostic Neural Model
with Logic Regularization
- arxiv url: http://arxiv.org/abs/2206.00906v1
- Date: Thu, 2 Jun 2022 07:57:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-03 22:21:16.416286
- Title: NeuralSympCheck: A Symptom Checking and Disease Diagnostic Neural Model
with Logic Regularization
- Title（参考訳）: NeuralSympCheck: 論理正規化を用いた症状チェックと疾患診断ニューラルモデル
- Authors: Aleksandr Nesterov, Bulat Ibragimov, Dmitriy Umerenkov, Artem
Shelmanov, Galina Zubkova and Vladimir Kokh
- Abstract要約: 症状検査システムは、患者に症状を問い合わせ、迅速で手頃な価格の医療評価を行う。
本稿では,論理正則化を用いたニューラルネットワークの教師付き学習に基づく新しい手法を提案する。
以上の結果から,本手法は診断回数や症状が大きい場合の診断精度において,最も優れた方法であることがわかった。
- 参考スコア（独自算出の注目度）: 59.15047491202254
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The symptom checking systems inquire users for their symptoms and perform a
rapid and affordable medical assessment of their condition. The basic symptom
checking systems based on Bayesian methods, decision trees, or information gain
methods are easy to train and do not require significant computational
resources. However, their drawbacks are low relevance of proposed symptoms and
insufficient quality of diagnostics. The best results on these tasks are
achieved by reinforcement learning models. Their weaknesses are the difficulty
of developing and training such systems and limited applicability to cases with
large and sparse decision spaces. We propose a new approach based on the
supervised learning of neural models with logic regularization that combines
the advantages of the different methods. Our experiments on real and synthetic
data show that the proposed approach outperforms the best existing methods in
the accuracy of diagnosis when the number of diagnoses and symptoms is large.
- Abstract（参考訳）: 症状検査システムは,患者に症状を診察し,症状の迅速かつ手頃な医療評価を行う。
ベイズ法、決定木、情報ゲイン法に基づく基本的な症状チェックシステムは、訓練が容易であり、重要な計算資源を必要としない。
しかし、その欠点は、提案された症状の関連性が低く、診断の質が不十分である。
これらのタスクの最良の結果は強化学習モデルによって達成される。
それらの弱点は、そのようなシステムの開発と訓練の難しさと、大きくてまばらな決定空間を持つ場合に限定的な適用性である。
本稿では,神経モデルの教師付き学習と,異なる手法の利点を組み合わせた論理正規化に基づく新しいアプローチを提案する。
実データおよび合成データを用いた実験により,本手法は,診断回数や症状が大きい場合の診断精度において,既存の手法よりも優れていることが示された。
関連論文リスト
- Unified Uncertainty Estimation for Cognitive Diagnosis Models [70.46998436898205]
本稿では,幅広い認知診断モデルに対する統一的不確実性推定手法を提案する。
診断パラメータの不確かさをデータ・アスペクトとモデル・アスペクトに分解する。
本手法は有効であり,認知診断の不確実性に関する有用な知見を提供することができる。
論文 参考訳（メタデータ） (2024-03-09T13:48:20Z) - 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) - 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) - Scalable Online Disease Diagnosis via Multi-Model-Fused Actor-Critic
Reinforcement Learning [9.274138493400436]
医療のアドバイスをオンラインで求めている人にとっては、患者と対話して自動的に疾患を診断できるAIベースの対話エージェントが有効な選択肢だ。
これは、強化学習(RL)アプローチを自然解として提案した逐次的特徴(症状)選択と分類の問題として定式化することができる。
生成的アクターネットワークと診断批評家ネットワークから構成されるMMF-AC(Multi-Model-Fused Actor-Critic)フレームワークを提案する。
論文 参考訳（メタデータ） (2022-06-08T03:06:16Z) - 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) - Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。
データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。
比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
論文 参考訳（メタデータ） (2022-04-09T13:04:36Z) - 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) - Bayesian Structural Learning for an Improved Diagnosis of Cyber-Physical
Systems [0.8379286663107844]
本稿では,構造化診断モデルの自動学習のためのスケーラブルアルゴリズムを提案する。
比較アルゴリズムと同等のパフォーマンスを提供し、解釈性を向上させます。
論文 参考訳（メタデータ） (2021-04-02T11:14:05Z) - 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) - 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)
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。