走向知识注入的自动疾病诊断助理

科学领域:

• 人工智能在医学中的应用
• 计算语言学 计算语言学
• 医疗信息学 医疗信息学

背景情况:

• 人们越来越依赖数字健康平台,因此需要先进的工具来准确诊断患者.
• 传统的诊断方法面临着挑战,因为疾病和症状的复杂性日益增加.
• 整合医疗知识和对话背景对于有效的自动诊断至关重要.

研究的目的:

• 开发一种新的疾病诊断模型,利用患者与医生的互动和医学知识.
• 研究将医学知识图表和对话数据纳入诊断系统的影响.
• 为培训和评估创建和利用一个同情的对话医疗集体.

主要方法:

• 提出了一个双通道,知识注入,话语意识的疾病诊断模型 (KI-DDI).
• 采用基于变压器的编码器进行患者-医生通信,并使用图形注意网络 (GAT) 进行症状-疾病嵌入.
• 集成的对话和知识图嵌入到疾病识别的深度神经网络中.

主要成果:

• 在疾病识别方面,KI-DDI模型显著超过了现有的最先进的模型.
• 证明了医生除了患者自我报告之外的额外症状提取的关键作用.
• 验证了将医学知识注入诊断过程中的有效性.

结论:

• 通过结合医学知识和分析医生与患者之间的话语,可以显著提高自动疾病诊断.
• 未来的工作应该探索整合视觉感官信息,以提供更全面的诊断援助.
• 开发的模型和语料库为推进人工智能驱动的医学诊断提供了坚实的基础.