論文の概要: Thinking Like a Doctor: Conversational Diagnosis through the Exploration of Diagnostic Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2602.01995v1
• Date: Mon, 02 Feb 2026 11:56:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:34.118546
• Title: Thinking Like a Doctor: Conversational Diagnosis through the Exploration of Diagnostic Knowledge Graphs
• Title（参考訳）: 医師のように考える:診断知識グラフの探索による会話診断
• Authors: Jeongmoon Won, Seungwon Kook, Yohan Jo,
• Abstract要約: 本稿では,2段階の推論を行うための診断知識グラフを探索する対話型診断システムを提案する。 システムの質問に応答する現実的な患者シミュレータを使用します。 実験では、強いベースラインよりも診断精度と効率が向上した。
• 参考スコア（独自算出の注目度）: 12.612647781309098
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conversational diagnosis requires multi-turn history-taking, where an agent asks clarifying questions to refine differential diagnoses under incomplete information. Existing approaches often rely on the parametric knowledge of a model or assume that patients provide rich and concrete information, which is unrealistic. To address these limitations, we propose a conversational diagnosis system that explores a diagnostic knowledge graph to reason in two steps: (i) generating diagnostic hypotheses from the dialogue context, and (ii) verifying hypotheses through clarifying questions, which are repeated until a final diagnosis is reached. Since evaluating the system requires a realistic patient simulator that responds to the system's questions, we adopt a well-established simulator along with patient profiles from MIMIC-IV. We further adapt it to describe symptoms vaguely to reflect real-world patients during early clinical encounters. Experiments show improved diagnostic accuracy and efficiency over strong baselines, and evaluations by physicians support the realism of our simulator and the clinical utility of the generated questions. Our code will be released upon publication.
• Abstract（参考訳）: 会話的診断には多ターンの履歴を取る必要があるが、エージェントは不完全な情報の下で微分診断を洗練させるために明確な質問をする。 既存のアプローチは、しばしばモデルのパラメトリック知識に依存するか、患者がリッチで具体的な情報を提供すると仮定する。 これらの制約に対処するために,診断知識グラフを2段階に分類する対話型診断システムを提案する。 一 対話の文脈から診断仮説を生成すること、及び 二 最終診断に達するまで繰り返す質問を明確にすることで仮説を検証すること。 システムの評価には,質問に応答する現実的な患者シミュレータが必要であるため,MIMIC-IVの患者プロファイルとともに,確立されたシミュレータを採用する。 また,早期臨床経過中に症状を曖昧に表現し,現実の患者を反映するように適応する。 実験では, 強いベースラインよりも診断精度と効率が向上し, 医師による評価は, シミュレータのリアリズムと, 生成した質問の臨床的有用性を支持する。 私たちのコードは出版時に公開される。

関連論文リスト

• PatientVLM Meets DocVLM: Pre-Consultation Dialogue Between Vision-Language Models for Efficient Diagnosis [4.118962495816488]
  実世界の診断手順を模倣したPCDF(Pre-Consultation Dialogue Framework)を提案する。 具体的には,2つの視覚言語モデル(VLM)間の診断対話をシミュレートする。画像と対話履歴に基づいてフォローアップ質問を生成するDocVLMと,地上構造診断から得られた症状プロファイルを用いて応答するPatentVLMである。
  論文  参考訳（メタデータ） (2026-01-16T02:18:29Z)
• Simulating Viva Voce Examinations to Evaluate Clinical Reasoning in Large Language Models [51.91760712805404]
  大規模言語モデル(LLM)におけるシーケンシャルな臨床推論を評価するためのベンチマークであるVivaBenchを紹介する。 本データセットは,医療訓練における(口頭)検査をシミュレートする対話的シナリオとして構成された1762名の医師による臨床ヴィグネットから構成される。 本分析では,臨床における認知的誤りを反映するいくつかの障害モードを同定した。
  論文  参考訳（メタデータ） (2025-10-11T16:24:35Z)
• RAD: Towards Trustworthy Retrieval-Augmented Multi-modal Clinical Diagnosis [56.373297358647655]
  Retrieval-Augmented Diagnosis (RAD)は、下流タスクで直接マルチモーダルモデルに外部知識を注入する新しいフレームワークである。 RADは、複数の医療ソースからの疾患中心の知識の検索と改善、ガイドライン強化コントラスト損失トランスフォーマー、デュアルデコーダの3つの主要なメカニズムで機能する。
  論文  参考訳（メタデータ） (2025-09-24T10:36:14Z)
• End-to-End Agentic RAG System Training for Traceable Diagnostic Reasoning [52.12425911708585]
  Deep-DxSearchは、強化学習(RL)でエンドツーエンドに訓練されたエージェントRAGシステムである。 Deep-DxSearchでは,患者記録と信頼性のある医療知識情報を含む大規模医療検索コーパスを構築した。 実験により、エンドツーエンドのRLトレーニングフレームワークは、プロンプトエンジニアリングやトレーニングフリーなRAGアプローチよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-08-21T17:42:47Z)
• Exploring the Inquiry-Diagnosis Relationship with Advanced Patient Simulators [5.217925404425509]
  本稿では,実際の医師と患者との会話から対話戦略を抽出し,患者シミュレータのトレーニングを指導する。 本シミュレータは, 動的対話戦略を用いて, 人為性が高く, 幻覚率も低いことを示す。
  論文  参考訳（メタデータ） (2025-01-16T11:41:14Z)
• 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)
• 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)
• Towards the Identifiability and Explainability for Personalized Learner Modeling: An Inductive Paradigm [36.60917255464867]
  本稿では,エンコーダ・デコーダモデルにインスパイアされた新しい応答効率応答パラダイムに基づく,識別可能な認知診断フレームワークを提案する。 診断精度を損なうことなく,ID-CDFが効果的に対処できることが示唆された。
  論文  参考訳（メタデータ） (2023-09-01T07:18:02Z)
• 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。