面向结构化电子健康记录问答的不确定性感知文本到程序方法
计算与语言
2022-04-18 v2 人工智能
机器学习
摘要
电子健康记录上的问答（EHR-QA）在医疗领域具有重要影响，并正受到积极研究。先前关于结构化EHR-QA的研究聚焦于将自然语言查询转换为SQL或SPARQL等查询语言（NLQ2Query），因此问题范围受限于特定查询语言所预定义的数据类型。为了将EHR-QA任务扩展至该限制之外，以处理多模态医疗数据并解决未来的复杂推理，需要更原始的系统语言。本文设计了基于程序的EHR-QA模型（NLQ2Program），作为迈向未来方向的第一步。我们以半监督的程序化方法处理基于图的EHR-QA数据集MIMICSPARQL*，以克服缺乏金标准程序的问题。在没有金标准程序的情况下，我们提出的模型表现出与先前最先进模型（一种NLQ2Query模型）相当的性能（提升0.9%）。此外，为构建可靠的EHR-QA模型，我们应用不确定性分解方法以度量输入问题中的歧义。我们经实证确认数据不确定性最能指示输入问题中的歧义。
引用
@article{arxiv.2203.06918,
title = {Uncertainty-Aware Text-to-Program for Question Answering on Structured Electronic Health Records},
author = {Daeyoung Kim and Seongsu Bae and Seungho Kim and Edward Choi},
journal= {arXiv preprint arXiv:2203.06918},
year = {2022}
}
备注
In Proceedings of the Conference on Health, Inference, and Learning (CHIL 2022)