論文の概要: Towards Trustworthy Automatic Diagnosis Systems by Emulating Doctors'
Reasoning with Deep Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2210.07198v1
- Date: Thu, 13 Oct 2022 17:17:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-14 14:05:08.030340
- Title: Towards Trustworthy Automatic Diagnosis Systems by Emulating Doctors'
Reasoning with Deep Reinforcement Learning
- Title(参考訳): 深層強化学習による医師の推論をエミュレートした信頼できる自動診断システムを目指して
- Authors: Arsene Fansi Tchango, Rishab Goel, Julien Martel, Zhi Wen, Gaetan
Marceau Caron, Joumana Ghosn
- Abstract要約: 深層強化学習フレームワークを用いて証拠取得と自動診断タスクをモデル化することを提案する。
提案手法は, 競合する病理学予測精度を維持しつつ, 既存モデルよりも優れた性能を示す。
- 参考スコア(独自算出の注目度): 2.314562406457073
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The automation of the medical evidence acquisition and diagnosis process has
recently attracted increasing attention in order to reduce the workload of
doctors and democratize access to medical care. However, most works proposed in
the machine learning literature focus solely on improving the prediction
accuracy of a patient's pathology. We argue that this objective is insufficient
to ensure doctors' acceptability of such systems. In their initial interaction
with patients, doctors do not only focus on identifying the pathology a patient
is suffering from; they instead generate a differential diagnosis (in the form
of a short list of plausible diseases) because the medical evidence collected
from patients is often insufficient to establish a final diagnosis. Moreover,
doctors explicitly explore severe pathologies before potentially ruling them
out from the differential, especially in acute care settings. Finally, for
doctors to trust a system's recommendations, they need to understand how the
gathered evidences led to the predicted diseases. In particular, interactions
between a system and a patient need to emulate the reasoning of doctors. We
therefore propose to model the evidence acquisition and automatic diagnosis
tasks using a deep reinforcement learning framework that considers three
essential aspects of a doctor's reasoning, namely generating a differential
diagnosis using an exploration-confirmation approach while prioritizing severe
pathologies. We propose metrics for evaluating interaction quality based on
these three aspects. We show that our approach performs better than existing
models while maintaining competitive pathology prediction accuracy.
- Abstract(参考訳): 近年,医師の作業負荷を軽減し,医療へのアクセスを民主化するために,医療証拠収集・診断プロセスの自動化が注目されている。
しかし、機械学習文献に提案されているほとんどの研究は、患者の病理の予測精度の向上にのみ焦点をあてている。
このようなシステムに対する医師の受容性を確保するには,この目的が不十分である,と我々は主張する。
患者との最初の相互作用では、医師は患者が患っている病理を識別するだけでなく、患者から集められた医学的証拠が最終診断を確立するのに不十分であるため、鑑別診断(可視性疾患の短いリストの形で)を生成する。
さらに、医師は、特に急性のケア設定において、差異からそれらを除外する可能性がある前に、厳格な病理を明示的に調査する。
最後に、医師がシステムのレコメンデーションを信頼するには、収集された証拠が予測された疾患にどのようにつながったかを理解する必要がある。
特に、システムと患者の相互作用は、医師の推論を模倣する必要がある。
そこで我々は, 医師の推論の3つの重要な側面, すなわち, 重篤な病態を優先しながら, 探索確認アプローチによる鑑別診断を生成する, 深層強化学習フレームワークを用いて, 証拠取得と自動診断タスクをモデル化することを提案する。
これら3つの側面に基づいてインタラクション品質を評価するメトリクスを提案する。
提案手法は, 競合する病理学予測精度を維持しつつ, 既存モデルよりも優れた性能を示す。
関連論文リスト
- DWARF: Disease-weighted network for attention map refinement [6.658039889530641]
本研究は、医療専門家を解釈可能性のプロセスに統合することで、医療画像分析における「ループ外人間」と「信頼」の問題に対処する。
本稿では、専門家のフィードバックを活用して、モデル妥当性と精度を高める病弱注意マップ改善ネットワーク(DWARF)を提案する。
論文 参考訳(メタデータ) (2024-06-24T18:00:11Z) - Reasoning Like a Doctor: Improving Medical Dialogue Systems via Diagnostic Reasoning Process Alignment [14.563188427409958]
本研究の目的は,臨床医の診断推論プロセスと整合した医療対話システムの構築である。
適切な応答を生成するために設計された新しいフレームワークであるエミュレーションを提案する。
当社の枠組みは, 医療相談における透明性の向上を図り, 反応の明確な説明を提供する。
論文 参考訳(メタデータ) (2024-06-20T02:02:53Z) - Towards Knowledge-Infused Automated Disease Diagnosis Assistant [14.150224660741939]
患者と医師の相互作用に基づく疾患を識別する診断アシスタントを構築した。
本稿では,患者と医師のコミュニケーションを符号化した2チャンネル型談話認識疾患診断モデル(KI-DDI)を提案する。
次の段階では、会話と知識グラフの埋め込みが統合され、病気の識別のためにディープニューラルネットワークに供給される。
論文 参考訳(メタデータ) (2024-05-18T05:18:50Z) - Medical Dialogue Generation via Intuitive-then-Analytical Differential
Diagnosis [14.17497921394565]
Intuitive-then-Analytic Differential Diagnosis (IADDx) を用いた医用対話生成フレームワークを提案する。
本手法は,検索に基づく直感的アソシエーション(直感的アソシエーション)によるディファレンス診断から始まり,その後,グラフ強化解析手法により精査する。
提案手法の有効性を2つのデータセットで検証した。
論文 参考訳(メタデータ) (2024-01-12T12:35:19Z) - A Foundational Framework and Methodology for Personalized Early and
Timely Diagnosis [84.6348989654916]
本稿では,早期診断とタイムリー診断のための基礎的枠組みを提案する。
診断過程を概説する決定論的アプローチに基づいている。
機械学習と統計手法を統合し、最適なパーソナライズされた診断経路を推定する。
論文 参考訳(メタデータ) (2023-11-26T14:42:31Z) - 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) - MIMO: Mutual Integration of Patient Journey and Medical Ontology for
Healthcare Representation Learning [49.57261599776167]
本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
論文 参考訳(メタデータ) (2021-07-20T07:04:52Z) - 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) - BiteNet: Bidirectional Temporal Encoder Network to Predict Medical
Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。
エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。
実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文 参考訳(メタデータ) (2020-09-24T00:42:36Z)
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。