DxFormer：基于解码器-编码器 Transformer 与稠密症状表示的解耦自动诊断系统

面向诊断的对话系统通过与患者持续交互来查询其健康状况并预测可能的疾病。少数研究使用强化学习（RL）从症状与疾病的联合动作空间中学习最优策略。然而，现有的 RL（或非 RL）方法无法达到足够好的预测精度，仍远未及其上限。为解决该问题，我们提出一种解耦自动诊断框架 DxFormer，将诊断过程分为两步：症状询问与疾病诊断，其中从症状询问到疾病诊断的转移由停止准则显式确定。在 DxFormer 中，我们将每个症状视为一个 token，并分别将症状询问与疾病诊断形式化为语言生成模型与序列分类模型。我们使用 Transformer 的倒置版本，即解码器-编码器结构，通过联合优化强化奖励与交叉熵损失来学习症状表示。在三个公开真实世界数据集上的大量实验证明，我们所提模型能有效学习医生的临床经验，并在症状召回率与诊断准确率上取得最先进（SOTA）结果。