ACLJun, 2024

如医师般推理：通过诊断推理过程对医疗对话系统进行改进

PDF
TL;DR通过仿真临床医生的诊断推理过程来构建与临床医生诊断推理过程相一致的医疗对话系统，提出了一种新颖的 Emulation 框架，通过思维过程建模，生成与临床医生偏好相一致的妥当回应，并且为生成的回应提供明确的解释，增强了在医学咨询中的透明度。
medical dialogue systemsdiagnostic reasoning processlanguage modelsemulationclinical preferences
发现论文，激发创造
  • 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

  • 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

  • 大型语言模型是临床推理器：具备推理意识的诊断框架和提示生成的合理化

    借助基于提示的学习，通过 “推理感知” 的诊断框架实现了对临床推理进行理性化，并能够在时间和劳动资源上具有高效性，从而实现了对疾病诊断的临床推理。

    Dec, 2023

  • 医疗对话生成的半监督变分推理

    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

  • 大型语言模型执行诊断推理

    通过将思路链式提示（CoT）拓展到医学推理领域，我们提出了诊断推理 CoT（DR-CoT）。实证结果表明，通过仅向仅训练于一般文本语料库的大型语言模型提供两个 DR-CoT 实例来指导，诊断准确性提高了 15%。此外，在领域外情景中，该差距达到显著的 18%。我们的研究结果表明，大型语言模型中可以通过适当的提示引出专家知识推理。

    Jul, 2023

  • 诊断推理提示揭示了在医学领域中大型语言模型可解释性的潜力

    GPT4 可以通过使用诊断推理提示模拟临床医生的常见临床推理过程，而不会损失诊断准确性，因此它可以为医生提供评估 LLMs 是否可信赖用于患者护理的手段。新的提示方法有潜力揭示 LLMs 的黑盒子，将它们推向在医学中安全有效使用的一步。

    Aug, 2023

  • 面向对话系统的大规模可解释知识图谱推理

    该研究提出了一种新的方法，将知识推理能力纳入对话系统的可扩展性和通用性中，以提高用户体验。该方法使得单一转换器模型能够直接在大规模知识图谱上进行推理，以生成响应，并通过任务导向和特定领域的对话交流进行了实证研究，证明了其有效性和高效性。

    Mar, 2022

  • 通过知识种子引导大型语言模型的临床推理

    临床推理是指医生在评估和管理患者时采用的认知过程，而自动临床推理方法利用大型语言模型和 In-Context Padding 框架提高了这一过程的效果。

    Mar, 2024

  • DR.BENCH：临床自然语言处理的诊断推理基准

    本研究介绍了一种新的基准测试套件，称为 DR.BENCH，旨在开发和评估具有临床诊断推理能力的 cNLP 模型，这是第一个被设计为自然语言生成框架以评估预训练语言模型的临床任务套件。

    Sep, 2022

  • 一种可解释的神经符号推理框架，用于任务导向的对话生成

    本文旨在研究任务驱动对话系统的可解释性，提出了一种采用前后明确逻辑推理的神经符号学方法，并设计了一种由假设生成器和推理器构成的两阶段方法来克服多跳推理带来的错误传播问题，实验结果证明该方法不仅获得了更好的效果，而且具有可解释性决策过程。

    Mar, 2022