利用强化学习训练的视觉症状检查器改进皮肤状况分类
人工智能
2019-08-09 v4
摘要
我们提出了一种视觉症状检查器，它将预训练的卷积神经网络（CNN）与作为问答（QA）模型的强化学习（RL）智能体相结合。该方法提高了视觉症状检查器的分类置信度与准确率，并减少了为缩小鉴别诊断范围所需的平均提问数量。一个基于深度 Q 网络（DQN）的 RL 智能体学习如何询问患者症状是否存在，以最大化正确识别潜在状况的概率。该 RL 智能体利用 CNN 提供的视觉信息以及已回答的问题来引导 QA 系统。我们证明，与仅使用视觉信息预测状况的纯 CNN 方法相比，基于 RL 的方法将准确率提高了 20% 以上。此外，与使用 CNN 提供的视觉信息结合传统基于决策树的 QA 系统的方法相比，准确率提高了至多 10%。我们最后表明，基于 RL 的方法不仅优于基于决策树的方法，而且就平均提问数量而言能更快地缩小诊断范围。
引用
@article{arxiv.1903.03495,
title = {Improving Skin Condition Classification with a Visual Symptom Checker Trained using Reinforcement Learning},
author = {Mohamed Akrout and Amir-massoud Farahmand and Tory Jarmain and Latif Abid},
journal= {arXiv preprint arXiv:1903.03495},
year = {2019}
}
备注
Accepted for the Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI) 2019