增强患者-医生对话的后续问题生成

后续问题生成是对话系统的 essential feature，可减少对话歧义并增强建模复杂交互。对话情境常常构成核心 NLP 挑战：(i) 从碎片化数据源中提取相关信息，(ii) 模型化平行思维过程。这两个挑战在医学对话中频繁发生，因为医生不仅基于患者言语，还基于其既往病历数据和当前诊断假设提问。在异步对话中提出医学问题会加剧这些问题，因为医生只能依赖静态病历信息来动机后续问题。为解决这些挑战，我们引入 FollowupQ，一个用于增强异步医学对话的新框架。FollowupQ 是一个多智能体框架，处理患者信息和病历数据以生成个性化后续问题，澄清患者报告的医疗状况。FollowupQ 通过减少 34% 的医生后续沟通需求。它在真实数据和合成数据上的性能分别提高了 17% 和 5%。我们还发布了第一个包含异步医学消息及其关联病历数据的公开数据集，附带由临床专家编写的 2,300 条后续问题，供 wider NLP 研究社区使用。