通过结合医学知识图谱和新颖的图模型 Dr.Knows，我们提出一种创新的方法来提高大型语言模型在自动诊断生成领域的能力，从而消除预训练的需要，提高自动诊断生成的准确性。

Aug, 2023

机器学习在医生对病人的发展趋势获得洞察力方面受到越来越多的关注。我们提出了一种名为多模态 UMLS 图神经网络学习（MMUGL）的新方法，用于使用基于统一医学语言系统的知识图上的图神经网络学习医学概念的有意义的表示。这些表示被聚合表示整个病人就诊情况，然后输入到序列模型中以在病人的多次医院就诊的粒度上进行预测。我们通过整合先前的医学知识并考虑多种模态来提高性能。我们将我们的方法与用于不同粒度上学习表示的现有架构在 MIMIC-III 数据集上进行比较，并展示出我们的方法优于这些方法。结果表明了基于先前的医学知识的多模态医学概念表示的重要性。

Jul, 2023

本研究提出了一个用于智能咨询的医疗对话系统，该系统能够与患者进行实时交流，从而提高临床诊断的效率，并实现了中文医疗对话生成的竞赛，提出了一种由实体预测和实体感知式对话生成组成的流水线系统，并使用融合机制将预测的实体添加到对话模型中，在解码阶段，我们提出了一种新的解码机制 Entity-revised Diverse Beam Search（EDBS），以提高实体的正确性以及生成的最终响应长度和质量。提出的方法赢得了 CCKS 和 MLPCP 举办的两项国际医疗比赛，充分证明了我们方法的实用性和有效性。

Aug, 2021

本文探讨了在低资源环境下生成新场景的句子，提出了基于元学习的通用优化方法（Meta-NLG）来解决这个问题，并在大型多域数据集上进行了实验，表明 Meta-NLG 在各种低资源配置中显著优于其他训练过程，适应低资源情况极快且良好。

May, 2019

研究人员提出了一种新型的对话系统，利用动态知识图谱嵌入技术，让两个带有私有知识的代理人进行协作对话，旨在达到某个共同目标，并经过了自动化和人工实验的验证，结果表明该模型与基线模型相比，不仅更有效地实现了目标，而且更加人性化。

Apr, 2017

该研究使用分布语义学将结构化知识图谱与非结构化文本相结合，利用概率生成模型预测医学概念之间的新关系，进一步证明该方法可用于医学领域的数据稀缺性问题。

Feb, 2016

通过结合医学知识图谱和内部临床路径编码，本研究提出了医学对话增强与临床路径编码（MedKP）框架，通过综合评估指标在两个大规模实际在线医学咨询数据集上的实验证明，MedKP 超过了多个基准系统，减少了产生幻觉的情况，达到了新的最先进水平，进一步的剔除研究揭示了 MedKP 每个组件的有效性，促进了可靠自动化的医学咨询响应的发展，从而拓宽了精确实时医学辅助的潜在可及性。

Mar, 2024

本研究提出了一种多模态图学习框架（MMGL）来预测疾病，该框架对每种模式的特征进行聚合，通过自适应图学习来捕获患者之间的内在联系，并在两个疾病预测任务上获得了更好的性能。

Mar, 2022

本研究旨在提高医学对话生成的准确性，采用基于专业术语的特征并利用注意机制和辅助术语识别任务填补医学背景与常见话语之间的语义鸿沟，证实该框架优于目前最先进的语言模型。此外，我们提供了一个新的具有医学术语注释的数据集以支持医学对话生成的研究。

Oct, 2022

提出了基于元学习的领域自适应对话生成方法（DAML），该方法基于单域对话数据和元学习算法进行训练，并能够在新领域中学习出一种具有竞争力的对话系统。在模拟对话数据集上评估该方法的表现，实现了最先进的性能，该性能可推广到新任务。

Jun, 2019