ACLMay, 2023

基于双流建模的医学对话生成

PDF
TL;DR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。
medical dialogue systemsdialogue understandingmedical entitiesdialogue actsdfmed dialogue generation framework
发现论文，激发创造
  • 生成多样性和实体修订医疗回复

    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

  • 基于提示的生成方法用于多层次医疗对话状态跟踪

    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

  • 利用可解释问询逻辑建立医学诊断智能代理：从 “我的鼻子流鼻涕” 到 “你有咳嗽吗？

    本文研究在医疗诊断中，如何在数据驱动的医疗诊断对话系统中加入可解释性和适当的决策逻辑，并通过大规模的数据集和透明组件的设计使诊断准确率分别得到 7.7％，10.0％和 3.0％的提高。

    Apr, 2022

  • 术语意识医疗对话生成

    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

  • 通过直观 - 分析差异诊断进行医疗对话生成

    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

  • 基于知识增强的医疗对话信息提取的两阶段生成框架

    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

  • 双语义知识组合的多模态对话系统

    提出了一种名为 MDS-S2 的新型多模式任务导向对话系统，通过从知识库中获取相关属性和关系知识，设计了多级知识组成模块以及一组潜在查询变量以实现表征级别的语义规范化来解决文本响应生成过程中的关键问题。

    May, 2023

  • 面向低资源医疗对话生成的图演化元学习

    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

  • 即插即用医疗对话系统

    本文提出了一种基于自然语言处理的医疗对话系统 PlugMed，该系统通过提示生成和响应排名两个模块来训练 LLMs 实现合适的对话行为，在自动和手动评估中都表现出优异的效果。

    May, 2023

  • 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