論文の概要: CoAD: Automatic Diagnosis through Symptom and Disease Collaborative
Generation
- arxiv url: http://arxiv.org/abs/2307.08290v1
- Date: Mon, 17 Jul 2023 07:24:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-18 14:22:46.020843
- Title: CoAD: Automatic Diagnosis through Symptom and Disease Collaborative
Generation
- Title（参考訳）: CoAD: 症状と疾患の協調生成による自動診断
- Authors: Huimin Wang, Wai-Chung Kwan, Kam-Fai Wong, Yefeng Zheng
- Abstract要約: CoADは病気と症状の協調生成フレームワークである。
自動的な疾患診断を改善するために、いくつかの重要な革新が組み込まれている。
過去の診断結果よりも平均2.3%改善している。
- 参考スコア（独自算出の注目度）: 37.25451059168202
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automatic diagnosis (AD), a critical application of AI in healthcare, employs
machine learning techniques to assist doctors in gathering patient symptom
information for precise disease diagnosis. The Transformer-based method
utilizes an input symptom sequence, predicts itself through auto-regression,
and employs the hidden state of the final symptom to determine the disease.
Despite its simplicity and superior performance demonstrated, a decline in
disease diagnosis accuracy is observed caused by 1) a mismatch between symptoms
observed during training and generation, and 2) the effect of different symptom
orders on disease prediction. To address the above obstacles, we introduce the
CoAD, a novel disease and symptom collaborative generation framework, which
incorporates several key innovations to improve AD: 1) aligning sentence-level
disease labels with multiple possible symptom inquiry steps to bridge the gap
between training and generation; 2) expanding symptom labels for each
sub-sequence of symptoms to enhance annotation and eliminate the effect of
symptom order; 3) developing a repeated symptom input schema to effectively and
efficiently learn the expanded disease and symptom labels. We evaluate the CoAD
framework using four datasets, including three public and one private, and
demonstrate that it achieves an average 2.3% improvement over previous
state-of-the-art results in automatic disease diagnosis. For reproducibility,
we release the code and data at https://github.com/KwanWaiChung/coad.
- Abstract（参考訳）: 医療におけるaiの批判的応用である自動診断(automatic diagnosis, aad)は、正確な疾患診断のための患者の症状情報収集を支援するために、機械学習技術を使用している。
Transformer-based method は入力症状シーケンスを使用し、自己回帰を通じて自己予測を行い、最終症状の隠れ状態を利用して疾患を決定する。
その単純さと優れた性能にもかかわらず、疾患の診断精度は低下する。
1)訓練中に観察された症状と世代とのミスマッチ
2)症状の異なる順が疾患の予測に及ぼす影響。
上記の障害に対処するため,新たな疾患と症状の協調生成フレームワークであるCoADを導入し,ADを改善するためのいくつかの重要なイノベーションを取り入れた。
1) 訓練と発生のギャップを埋めるため,複数の症状調査ステップと文レベル疾患ラベルの整合化。
2 症状のサブシーケンスごとに症状ラベルを拡大し、アノテーションを強化し、症状順序の影響をなくす。
3) 拡張疾患や症状ラベルを効果的かつ効率的に学習するために, 繰り返し症状入力スキーマを開発する。
我々は,3つのパブリックと1つのプライベートを含む4つのデータセットを用いてCoADフレームワークを評価し,従来の最先端の診断結果よりも平均2.3%改善したことを示す。
再現性のために、私たちはコードとデータをhttps://github.com/kwanwaichung/coadでリリースします。
関連論文リスト
- 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) - KNSE: A Knowledge-aware Natural Language Inference Framework for
Dialogue Symptom Status Recognition [69.78432481474572]
症状状態認識(SSR)のための新しいフレームワークKNSEを提案する。
対話ウィンドウ内の各症状について、まず、症状の状態に関する症状と仮説に関する知識を生成し、(前提、知識、仮説)三重項を形成する。
次にBERTモデルを使用して三重項を符号化し、さらに発話アグリゲーション、自己アテンション、横断アテンション、GRUなどのモジュールで処理して症状状態を予測する。
論文 参考訳（メタデータ） (2023-05-26T11:23:26Z) - 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) - Diaformer: Automatic Diagnosis via Symptoms Sequence Generation [14.90347470039301]
変換器(ダイアフォーマ)に基づく簡易かつ効果的な自動診断モデルを提案する。
まず,症状調査と疾患診断の創出を学ぶために,症状注意枠組みを設計する。
3つの公開データセットの実験により、我々のモデルは、トレーニング効率が最も高い1%、6%、11.5%で疾患診断のベースラインを上回ります。
論文 参考訳（メタデータ） (2021-12-20T10:26:59Z) - Context-aware Health Event Prediction via Transition Functions on
Dynamic Disease Graphs [15.17817233616652]
多くの機械学習アプローチは、患者の異なる訪問で病気の表現が静的であると仮定している。
動的疾患グラフ上の遷移関数を用いた文脈認識学習フレームワークを提案する。
2つの実世界のEHRデータセットの実験結果から、提案されたモデルは、健康事象を予測する上で、技術の現状よりも優れていることが示された。
論文 参考訳（メタデータ） (2021-12-09T20:06:39Z) - 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) - 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) - Graph-Evolving Meta-Learning for Low-Resource Medical Dialogue
Generation [150.52617238140868]
ソース疾患からターゲット疾患へ診断経験を移すために、低リソースの医療対話生成を提案します。
また,新しい疾患の症状相関を推論するためのコモンセンスグラフの進化を学習するグラフ進化メタラーニングフレームワークを開発した。
論文 参考訳（メタデータ） (2020-12-22T13:20:23Z) - 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) - Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete
Labels [66.57101219176275]
胸部X線画像上の疾患診断は,多ラベル分類の課題である。
本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。
本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
論文 参考訳（メタデータ） (2020-02-26T17:10:48Z)
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。