May, 2024

面向知识注入的自动疾病诊断助手

PDF
TL;DR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。
diagnosis assistantdoctor-patient interactionmedical knowledgedisease identificationvisual sensory information
发现论文，激发创造
  • 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

  • 将疾病知识融入 BERT 模型用于医疗问答、医学推理和疾病名称识别

    本文介绍了利用有关疾病的特定知识和 BERT 模型相结合来提高健康相关任务（例如消费者健康问答和医疗语言推理）的准确性，实验结果表明，这种方法在多数情况下都能够显著改善任务效果。

    Oct, 2020

  • 基于增强知识图谱的医学诊断诊断路径优化

    本研究提出了一种使用诊断路径的医学知识图谱的方法，并使用 RDF2vec 进行潜在表示以优化图谱的精度，同时保持预测可解释性和透明度。研究结果表明此预测方法对于图谱优化有益。

    Apr, 2022

  • Diaformer: 症状序列生成自动诊断

    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%。

    Dec, 2021

  • 将医学知识图谱结合到大型语言模型中用于诊断预测

    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

  • 基于联合推理的疾病问答系统

    通过综合自然语言处理和相关技术从多个信息源中合成信息，医用问答（QA）助手能够回答非专业用户的健康相关问题，解决了错误信息、信息过载和医学语言复杂性等问题，并减轻了医护人员的负担。本研究通过联合推理策略充分利用语言模型和知识图谱技术，设计了一种新颖的自动疾病问答系统，用于回答适合非专业用户的疾病相关问题，并通过多种质量指标评估其效力，优于流行的 ChatGPT 等基准系统。

    Jan, 2024

  • 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

  • 整合专业知识与可解释性数据驱动智能实现传染性角膜炎的协作临床诊断

    将数据驱动的人工智能与临床医生的专业知识相结合，开发出一种可理解的诊断模型，通过人工智能的生物标志和检索到的具有相同诊断模式的病例提供可视化的推理过程，从而提高安全性和准确性，该模型在传染性角膜炎的诊断中取得了良好的性能、可解释性和临床实用性。

    Jan, 2024

  • 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

  • 建立 ChatGPT BioMedical 生成文本的信任：基于本体论的知识图谱验证疾病症状关联

    通过构建基于本体的知识图谱，并利用事实检查算法和网络中心性指标，我们从医学文献和 AI 生成内容中提取事实信息，分析疾病和症状之间的关联，并发现 AI 生成内容中的知识潜力，进一步探索新的知识。

    Aug, 2023