Diaformer: 症状序列生成自动诊断

AAAIDec, 2021

Diaformer: Automatic Diagnosis via Symptoms Sequence Generation

Junying Chen, Dongfang Li, Qingcai Chen, Wenxiu Zhou, Xin Liu

TL;DR通过考虑医生和病人之间的对话，我们将自动诊断重新定义为症状序列生成任务，并基于变压器（Diaformer）提出了一个简单而有效的自动诊断模型，采用症状注意机制和三种无序的训练机制来提高自动诊断的准确性。在三个公共数据集上的实验结果表明，Diaformer 模型在疾病诊断方面优于基线模型，准确率分别提高了 1%、6%、11.5%。

Abstract

automatic diagnosis has attracted increasing attention but remains challenging due to multi-step reasoning. Recent works usually address it by reinforcement learning methods. However, these methods show low efficiency and require taskspecific reward functions. Considering the conversat

automatic diagnosis symptoms sequence generation diaformer transformer training mechanisms

发现论文，激发创造

DxFormer：基于解码 - 编码 Transformer 的解耦型自动诊断系统，具有密集的症状表示

提出了 DxFormer 自动诊断框架，将诊断分为症状查询和疾病诊断两个步骤，并使用逆变换器来学习症状表示，通过在现实世界数据集上进行实验得出了 DxFormer 可以有效地学习医生临床经验并在症状检测和诊断准确性方面实现了最新结果。

May, 2022

CoAD：基于症状和疾病协作生成的自动诊断

引入了一个名为 CoAD 的新型疾病和症状协作生成框架，通过对多个关键创新的整合来改善 AD，并在各类数据集上展示得到了平均 2.3% 的改进。

Jul, 2023

面向知识注入的自动疾病诊断助手

通过医患互动，将医学知识与病症识别相结合，建立一种诊断助手，显著提高疾病识别的能力，并整合视觉感知信息以增强诊断助手的功能。

May, 2024

超越直接诊断：基于 LLM 的多专家代理咨询自动诊断

采用调谐自由的 LLM（大语言模型）代理作为医学从业者，我们提出了基于代理的多专科咨询（AMSC）框架，通过自适应地融合代理对潜在疾病的概率分布来模拟真实世界中的诊断过程。实验结果显示了我们的方法相比基线的优越性。值得注意的是，我们的方法需要极少的参数更新和训练时间，提高了效率和实用性。此外，我们深入探讨了在自动诊断背景下的隐性症状的新角度。

Jan, 2024

自动诊断的端到端知识路由关系对话系统

该研究提出一种基于知识图谱的对话系统，用于自动医疗诊断，将丰富的医学知识图谱和自然语言理解相融合，在对话管理中实现主题转换，有效提高了对话系统的准确性。

Jan, 2019

通过强化学习和分类自适应对准实现高效的症状询问和诊断

通过采用强化学习和分类技术，设立自适应机制，使用分布熵对齐，创建新的患者模拟数据集，有效提高医疗诊断准确率。

Dec, 2021

DDxT: 深度生成变换模型用于鉴别诊断

通过使用基于 Transformer 的生成模型 DDxT，该论文展示了一种自动化的差异诊断方法，其在消除了大量可能的病理学情况后能够生成可能的病理学选择，并使用神经网络预测真实的病理学，相较于以往基于强化学习的方法在当前基准测试中取得了更优秀的结果。总体而言，这种自动化的 Transformer-based DDx 生成模型有潜在成为紧急情况下医生的有用工具的可能性。

Dec, 2023

基于分层强化学习的自动疾病诊断任务导向对话系统

本文提出在任务对话环境中利用强化学习方法进行自动疾病诊断，设计并实现了一个层次化框架，在无法避免的繁琐的疾病症状检查中展现了更高的精确度。

Apr, 2020

基于渐进式 Transformer 的放射学报告生成

提出一个基于课程学习的顺序（即，图像 - 文本 - 文本）生成框架，从而将放射学报告的生成问题分为两步。使用变压器体系结构，将图像以步骤一为全局概念生成，然后进行二次生成，提高了两个基准数据集的最新技术水平。

Feb, 2021

使用分层注意力和 Transformer 的阿尔茨海默病诊断和生成聊天机器人

本文提出了一个自然语言处理的架构，该架构可以处理以往需要两个模型完成的任务。通过单一模型，我们分析阿尔茨海默病患者的语言模式和对话上下文，并从两个结果中得出答案：患者分类和聊天机器人。如果聊天机器人在日常生活中识别了患者的语言特征，医生可以为早期诊断制定更精确的诊断和治疗计划。该模型用于开发替代需要专家问卷的聊天机器人。模型执行两个自然语言处理任务：一是 “自然语言分类”，指示患者是否患病的概率，二是生成聊天机器人接下来的 “回答”。通过自我注意神经网络提取患者发言的上下文向量，在编码器中将其与聊天机器人的问题一起输入，以获取包含提问者和患者之间交互特征的矩阵。矢量化的矩阵成为患者分类的概率值。将矩阵与聊天机器人（调解员）下一个答案一起输入到解码器中，以生成下一个发言。通过使用 DmentiaBank 的 cookie theft 描述语料库学习该结构，证实了编码器和解码器的损失函数值显著降低和收敛。这表明，捕捉阿尔茨海默病患者的言语语言模式可以为将来的早期诊断和疾病纵向研究做出贡献。

Oct, 2022