术语意识医疗对话生成
提出了一种端到端变分推理方法来进行医学对话生成,该方法采用患者状态和医生行为作为潜变量,结合贝叶斯生成方法和半监督推理方法。实现了显式患者状态追踪和医生政策学习,完善医学对话生成的理解和生成能力,并在三个医学数据集上取得了优于最先进方法的成果。
May, 2021
本文提出了一种知识增强的两阶段生成框架(KTGF)来从医学对话中提取术语 - 状态对(MD-TSPE),以解决生成方法在集成先验知识、建模术语关系和推断术语状态方面存在的挑战。本方法在综合生成形式中通过任务特定提示完成 MD-TSPE,并在全训练和低资源环境中实现了优于现有模型的结果。
Jul, 2023
本研究提出了一种 Dual Flow 增强型医疗对话生成框架 DFMed,通过提取对话历史中的医疗实体和对话行为来预测下一轮中要采取的实体和对话行为,模拟它们之间的转换,并使用两个顺序模型进行编码,运用交织组件增强协同作用,实验结果表明 DFMed 方法在自动评估和手动评估中均优于基线。
May, 2023
使用基于常识知识图的低资源医学对话生成,通过少量数据适应性地将源疾病的诊断经验转移到目标疾病,并通过 Graph-Evolving Meta-Learning 框架学习演变常识图来推理新疾病的疾病症状相关性。这种方法的实验结果表明其在 CMDD 数据集和新收集的 Chunyu 数据集上表现卓越。
Dec, 2020
通过定义多层次状态结构和使用基于提示的生成方法,我们提出了一种医疗对话系统中跟踪对话状态的解决方案,该方法有效地解决了数据稀缺问题,并表现出超过其他方法的性能。
Mar, 2022
通过使用抽象意义表示(AMR)图构建对话中的语言要素和医学实体的图形表示,我们提出了一种模型病人和医疗专业人员之间对话的新框架,其中神经网络结合了文本和图形知识,采用双重注意机制,在医学对话生成方面的实验结果表明,我们的框架优于强基线模型,证明了 AMR 图在增强医学知识和逻辑关系的表示方面的有效性
Sep, 2023
本研究使用 GPT-3 模型,将医学对话摘要问题离散成多个对话理解任务,并动态构建少样本提示进行实验,开发了基于 GPT 的度量标准,评估任务性能,经过研究评价证实,此方法生成的摘要临床准确性优于基准方法。
May, 2023
医学对话系统应用了 Intuitive-then-Analytic Differential Diagnosis (IADDx) 方法进行差异诊断,并通过检索顺联结合图增强的分析过程提供疗效理论和指导。该研究验证了该方法的有效性,并展示了其在诊断过程中对临床医生和患者的辅助作用,例如生成中间结果和基于图的诊断路径。
Jan, 2024
本文提出一种基于指针生成网络的医疗对话摘要方法,该方法对医疗本体的使用进行了优化,能够很好地捕捉患者病史中的本地结构,获得了医生的青睐,是一种替代手动摘要方法的现实选择。
Sep, 2020