通过强化学习与对话模拟改进轻度认知障碍预测
机器学习
2018-02-20 v1 计算与语言
机器学习
摘要
轻度认知障碍（MCI）是从正常衰老到痴呆（尤其是阿尔茨海默病）进展过程中的前驱阶段。尽管 MCI 患者存在轻度认知下降，但其整体认知正常，因此难以与正常衰老区分。近期一项临床试验利用参与者与受训访谈者之间录音对话的转写数据，并将监督学习模型应用于这些数据，在区分 MCI 与正常衰老方面取得了有前景的结果。然而，在实践中与医护人员的大量互动仍会产生显著的医疗护理费用。本文提出一种新颖的强化学习（RL）框架，在临床试验的现有转写文本上训练高效的对话智能体。具体而言，该智能体被训练以勾勒疾病特定的词汇概率分布，从而以最大化诊断准确率并最小化对话轮数的方式进行交谈。我们在真实临床试验的 MCI 诊断上评估了所提强化学习框架的性能。结果表明，仅使用少量对话轮数，我们的框架即可显著优于最先进的监督学习方法。
引用
@article{arxiv.1802.06428,
title = {Improving Mild Cognitive Impairment Prediction via Reinforcement Learning and Dialogue Simulation},
author = {Fengyi Tang and Kaixiang Lin and Ikechukwu Uchendu and Hiroko H. Dodge and Jiayu Zhou},
journal= {arXiv preprint arXiv:1802.06428},
year = {2018}
}
备注
9 pages, 4 figures, 4 tables