論文の概要: Towards Knowledge-Infused Automated Disease Diagnosis Assistant
- arxiv url: http://arxiv.org/abs/2405.11181v1
- Date: Sat, 18 May 2024 05:18:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-21 19:07:29.597136
- Title: Towards Knowledge-Infused Automated Disease Diagnosis Assistant
- Title（参考訳）: 知識注入型自動疾患診断アシスタントを目指して
- Authors: Mohit Tomar, Abhisek Tiwari, Sriparna Saha,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 14.150224660741939
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the advancement of internet communication and telemedicine, people are increasingly turning to the web for various healthcare activities. With an ever-increasing number of diseases and symptoms, diagnosing patients becomes challenging. In this work, we build a diagnosis assistant to assist doctors, which identifies diseases based on patient-doctor interaction. During diagnosis, doctors utilize both symptomatology knowledge and diagnostic experience to identify diseases accurately and efficiently. Inspired by this, we investigate the role of medical knowledge in disease diagnosis through doctor-patient interaction. We propose a two-channel, knowledge-infused, discourse-aware disease diagnosis model (KI-DDI), where the first channel encodes patient-doctor communication using a transformer-based encoder, while the other creates an embedding of symptom-disease using a graph attention network (GAT). In the next stage, the conversation and knowledge graph embeddings are infused together and fed to a deep neural network for disease identification. Furthermore, we first develop an empathetic conversational medical corpus comprising conversations between patients and doctors, annotated with intent and symptoms information. The proposed model demonstrates a significant improvement over the existing state-of-the-art models, establishing the crucial roles of (a) a doctor's effort for additional symptom extraction (in addition to patient self-report) and (b) infusing medical knowledge in identifying diseases effectively. Many times, patients also show their medical conditions, which acts as crucial evidence in diagnosis. Therefore, integrating visual sensory information would represent an effective avenue for enhancing the capabilities of diagnostic assistants.
- Abstract（参考訳）: インターネット通信と遠隔医療の進歩により、人々は様々な医療活動のためにますますウェブに目を向けている。
病気や症状がどんどん増えていく中、患者の診断は困難になる。
本研究では,患者と医師の相互作用に基づいて疾患を識別する診断アシスタントを構築した。
診断中、医師は症状学の知識と診断経験の両方を利用して、疾患を正確かつ効率的に識別する。
そこで我々は, 医師と患者との相互作用を通じて, 疾患診断における医療知識の役割について検討した。
本稿では,第1のチャネルがトランスフォーマーベースのエンコーダを用いて患者と医師のコミュニケーションを符号化し,第2のチャネルがグラフアテンションネットワーク(GAT)を用いた症状の埋め込みを生成する2チャンネルの知識注入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。
さらに,まず患者と医師の会話を含む共感的会話医療コーパスを開発し,その意図と症状に関する情報を付加した。
提案したモデルは、既存の最先端モデルよりも大幅に改善され、重要な役割を確立する。
(a)追加症状抽出のための医師の努力(患者自己申告に加えて)
b) 疾患を効果的に識別するために医療知識を注入すること。
多くの場合、患者は診断において重要な証拠となる医療状況も示している。
したがって、視覚感覚情報の統合は、診断アシスタントの能力を高めるための効果的な道のりである。
関連論文リスト
- A Two-Stage Proactive Dialogue Generator for Efficient Clinical Information Collection Using Large Language Model [0.6926413609535759]
患者情報収集作業を自動化する診断対話システムを提案する。
医療史と会話のロジックを活用することで、会話エージェントは複数回にわたる臨床クエリを作成できる。
実世界の医療会話データセットを用いた実験結果から,本モデルが実際の医師の会話スタイルを模倣した臨床クエリを生成できることが示唆された。
論文 参考訳（メタデータ） (2024-10-02T19:32:11Z) - 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) - Are Generative AI systems Capable of Supporting Information Needs of
Patients? [4.485098382568721]
本研究は, 画像診断における患者情報への責任を負うことなく, 生成的視覚質問応答システムの有効性について検討する。
胸部CT検査を施行し, 胸部CT検査を施行し, 胸部CT検査を施行し, 胸部CT検査を施行した。
参加者と医療専門家の会話のテーマ分析を用いて,対話を通して一般的に発生するテーマを特定した。
我々は,放射線技師の反応に対して,最先端の2つの生成的視覚言語モデルを評価する。
論文 参考訳（メタデータ） (2024-01-31T23:24:37Z) - 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 Transformer-based representation-learning model with unified
processing of multimodal input for clinical diagnostics [63.106382317917344]
本稿では,マルチモーダル入力を統一的に処理する臨床診断支援として,トランスフォーマーを用いた表現学習モデルについて報告する。
統一モデルは, 肺疾患の同定において, 画像のみのモデル, 非統一型マルチモーダル診断モデルより優れていた。
論文 参考訳（メタデータ） (2023-06-01T16:23:47Z) - Towards Trustworthy Automatic Diagnosis Systems by Emulating Doctors'
Reasoning with Deep Reinforcement Learning [2.314562406457073]
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。
論文 参考訳（メタデータ） (2022-10-13T17:17:17Z) - 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) - 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) - 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。