面向因果感知推断的序列判别方法用于医学诊断
计算机视觉与模式识别
2023-07-04 v5
摘要
医学诊断助手（MDA）旨在构建一个交互式诊断智能体，通过顺序询问症状以判别疾病。然而，由于用于构建患者模拟器的对话记录是被动收集的，数据可能受到一些与任务无关的偏置（如收集者的偏好）的损害。这些偏置可能阻碍诊断智能体从模拟器中获取可迁移的知识。本工作试图利用因果图来识别并解决 MDA 中的这些关键问题，具体针对两种代表性的非因果偏置，即（i）默认答案偏置与（ii）分布性询问偏置。具体而言，偏置（i）源于患者模拟器试图以某些有偏的默认答案回答未记录的问题。因此，诊断智能体因有偏答案而无法充分发挥其优势。为消除该偏置并受带因果图的倾向得分匹配技术启发，我们提出一种基于倾向的患者模拟器，通过从其他记录中汲取知识来有效回答未记录的询问；偏置（ii）固有地伴随被动收集数据而来，是训练智能体走向“学习如何”而非“记住什么”的关键障碍之一。例如，在训练数据的分布中，若某症状与某疾病高度耦合，智能体可能学会仅询问该症状来判别该疾病，从而可能无法泛化至分布外情形。为此，我们提出一种渐进式保证智能体，其包含分别负责症状询问与疾病诊断的双重过程。询问过程以自顶向下的方式由诊断过程驱动，以询问症状来增强诊断置信度。
引用
@article{arxiv.2003.06534,
title = {Towards Causality-Aware Inferring: A Sequential Discriminative Approach for Medical Diagnosis},
author = {Junfan Lin and Keze Wang and Ziliang Chen and Xiaodan Liang and Liang Lin},
journal= {arXiv preprint arXiv:2003.06534},
year = {2023}
}
备注
To appear in TPAMI 2023. In the experiments, our trained agent achieves the new state-of-the-art under various experimental settings and possesses the advantage of sample-efficiency and robustness compared to other existing MDA methods