Jun, 2022

NeuralSympCheck：一种具有逻辑正则化的症状检查和疾病诊断神经模型

PDF
TL;DR文章提出了一种基于监督学习和神经网络模型的逻辑正则化方法来改善症状检查系统，在真实和合成数据上都取得了最佳的诊断准确度。
symptom checking systemsbayesian methodsreinforcement learning modelssupervised learningneural models
发现论文，激发创造
  • 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

  • 基于卷积神经网络的人类疾病症状关系探索性分析

    本研究分析通过卷积神经网络和支持向量机预测疾病，并使用 K-Means 和主成分分析研究了疾病的歧义性，结果表明机器学习可以在疾病早期阶段对疾病进行 98-100% 准确的诊断。异常症状是诊断疾病的良好代理，同时也提高了疾病预测任务的准确性。

    Feb, 2023

  • 临床推荐系统：利用神经网络集成预测医学专业的诊断选择

    本文提出了一种基于神经网络的数据驱动模型，可根据病人最近的临床记录自动推荐必要的诊断流程，以替代手动创建的临床清单，具有更高的准确性，可帮助卫生系统扩大对患者的及时初步医疗专科诊断工作。

    Jul, 2020

  • 基于逻辑查询的神经符号推荐模型

    我们提出了一种神经符号推荐模型，将用户历史交互转化为逻辑表达式，并将推荐预测转化为基于这个逻辑表达式的查询任务。通过神经网络的模块化逻辑操作计算逻辑表达式，并构建隐式逻辑编码器合理降低逻辑计算的复杂性，实验证明我们的方法在三个著名数据集上相比其他浅层、深层、会话和推理模型表现更好。

    Sep, 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

  • 基于卷积神经网络的电子病历辅助诊断

    本文提出了一种基于卷积神经网络的临床智能决策方法，可以自动从电子病历中提取高级语义信息，然后进行自动诊断，结果表明这种方法是可行和有效的。

    Apr, 2018

  • 混合自动学习系统与应用

    本文研究了一种基于深度神经网络和神经符号方法的分类和回归模型，并引入了 Logic Tensor Networks 作为神经符号预测模型，能够区分和解释异常连接和正常连接。通过详细对比和解释深度神经网络和神经符号网络的实现和结果，论文提出了混合系统的需求。结果显示，虽然两种方法在预测模型准确性上相似，但 Logic Tensor Networks 还具备交互准确性和基于数据的演绎推理等优势。同时还讨论了过拟合缓解和可扩展性等优缺点。

    May, 2024

  • 逻辑神经网络在话语分类中的应用：精神障碍诊断的可解释人工智能

    提出了基于逻辑神经网络（LNN）的神经符号人工智能方法来诊断心理障碍，该方法解决了神经网络模型缺乏可解释性的问题，提供了一种更值得信赖的心理障碍诊断解决方案。

    Jun, 2023

  • 神经模型一致性的逻辑驱动框架

    本文提出了一种利用逻辑规则来约束神经模型，从而调整其预测不一致性，增强其预测准确性和一致性的学习框架，并在自然语言推理任务上进行了实验验证。

    Aug, 2019

  • 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