基于强化学习与分类自适应对齐的高效症状询问与诊断
机器学习
2022-06-07 v2 人工智能
摘要
医疗自动诊断旨在模拟真实世界诊疗过程中人类医生的行为，通过与患者交互来实现准确诊断。该任务被建模为一个包含一系列症状询问步骤及最终诊断的序列决策问题。近期研究分别探讨了将强化学习用于症状询问、将分类技术用于疾病诊断。然而，关于如何高效且有效地结合这两种流程的研究仍然匮乏。为解决此问题，我们设计了一种自适应机制，以分布熵为媒介对强化学习与分类方法进行对齐。此外，我们构建了一个用于患者模拟的新数据集，以弥补大规模评测基准的缺失。该数据集提取自 MedlinePlus 知识库，相比现有数据集包含显著更多的疾病以及更全面的的症状与检查信息。实验评估表明，我们的方法在不同数据集上以更少的询问轮次实现了更高的医疗诊断准确率，优于三种当前最先进（SOTA）的方法。
引用
@article{arxiv.2112.00733,
title = {Efficient Symptom Inquiring and Diagnosis via Adaptive Alignment of Reinforcement Learning and Classification},
author = {Hongyi Yuan and Sheng Yu},
journal= {arXiv preprint arXiv:2112.00733},
year = {2022}
}