BSODA：一种用于在线疾病诊断的二部可扩展框架

越来越多的人在线寻求医疗建议。通常，他们根据所经历的症状诊断自己的健康状况，这也被称为自我诊断。从机器学习的角度看，在线疾病诊断是一个序列特征（症状）选择与分类问题。强化学习（RL）方法是此类任务的标准方法。一般而言，它们在特征空间较小时表现良好，但在特征数量众多的任务（如自我诊断）中往往效率低下。为应对这一挑战，我们提出了一种非RL的二部可扩展在线疾病诊断框架，称为BSODA。BSODA由分别处理症状询问与疾病诊断的两个协作分支组成。询问分支通过信息论奖励决定下一步收集哪个症状。我们采用专家乘积（Product-of-Experts）编码器来显著提升对大量特征部分观测的处理能力。此外，我们提出了几种近似方法，将奖励的计算成本大幅降低到在线服务可接受的水平。同时，我们利用诊断模型更精确地估计奖励。对于诊断分支，我们使用知识引导的自注意力模型进行预测。特别地，BSODA利用询问与诊断模型共同决定何时停止询问并输出预测。我们证明BSODA在多个公开数据集上优于最先进的方法。此外，我们提出了一种新颖的评估方法，用于测试症状检查方法从合成任务到真实世界任务的迁移能力。与现有RL基线相比，BSODA在大规模搜索空间上更具可扩展性。