[論文レビュー] A Graph Based and Patient Demographics Aware Dialogue System for Disease Diagnosis.

Xinyan Zhao, Liangwei Chen+1 more|arXiv (Cornell University)|Oct 21, 2020

Topic Modeling参考文献 26被引用数 4

ひとこと要約

本稿では、症状-疾患関係をモデル化し、患者の人口統計的属性を統合する、双方向グラフ畳み込みネットワーク（BG-DQN）を用いたグラフベースで人口統計的属性に配慮した対話型疾患診断システムを提案する。このシステムは、従来の手法と比較して診断精度を向上させ、対話の回数を削減し、類似した症状を示す疾患間の区別を強化する。

ABSTRACT

A dialogue system for disease diagnosis aims at making a diagnosis by conversing with patients. Existing disease diagnosis dialogue systems highly rely on data-driven methods and statistical features, lacking profound comprehension of medical knowledge, such as symptom-disease relations. In addition, previous work pays less attention to demographic attributes of a patient, which are important factors in clinical diagnoses. To tackle these issues, this work presents a graph based and demographic attributes aware dialogue system for disease diagnosis. Specifically, we first build a weighted bidirectional graph based on clinical dialogues to depict the relationship between symptoms and diseases and then present a bidirectional graph based deep Q-network (BG-DQN) for dialogue management. By extending Graph Convolutional Network (GCN) to learn the embeddings of diseases and symptoms from both the structural and attribute information in the graph, BG-DQN could capture the relations between diseases and symptoms better. Moreover, BG-DQN also encodes the demographic attributes of a patient to assist the disease diagnosis process. Experimental results show that the proposed dialogue system outperforms several competitive methods in terms of diagnostic accuracy. More importantly, our method can complete the task with less dialogue turns and possesses better distinguishing capability on diseases with similar symptoms.

研究の動機と目的

• 既存のデータ駆動型疾患診断対話システムにおける深層医療知識の統合不足に対処する。
• 先行研究で軽視されがちな患者の人口統計的属性（年齢、性別など）を診断プロセスに統合する。
• 臨床対話からの構造的および属性情報を利用して、症状-疾患関係のモデリングを改善する。
• 診断の正確性を維持または向上させながら、正確な診断に必要な対話の回数を削減する。
• 類似した症状を示す疾患を区別する能力を向上させる。

提案手法

• 臨床対話から重み付きで双方向性を持つグラフを構築し、症状-疾患関係を表現する。
• グラフ畳み込みネットワーク（GCN）を活用して、グラフ内の構造的および属性的情報から埋め込みを学習する、グラフベースの双方向的深層Qネットワーク（BG-DQN）を開発する。
• GCNを拡張し、症状-疾患グラフのトポロジカル構造と、症状や疾患といったノード固有の属性を両方とも符号化する。
• 患者の人口統計的属性（例：年齢、性別）をBG-DQNフレームワークに統合し、診断意思決定を支援する。
• 強化学習を用いてBG-DQNを訓練し、効率的で正確な診断を実現する対話ポリシーを最適化する。
• 学習された埋め込みを活用して対話管理を実行し、各ターンで最も情報量の多い質問を選択可能にする。

実験結果

リサーチクエスチョン

• RQ1 従来の統計的または埋め込みベースの手法と比較して、グラフベースのアプローチは、症状と疾患の間の複雑な関係をよりよくモデル化できるか？
• RQ2 患者の人口統計的属性の統合は、対話型システムにおける診断精度をどの程度向上させるか？
• RQ3 提案されたBG-DQNは、正確性を維持または向上させながら、診断に必要な対話の回数を削減できるか？
• RQ4 類似した症状プロファイルを示す疾患を区別する能力は、どの程度高いか？
• RQ5 グラフネットワークにおける構造的および属性的情報の統合は、より強固で説明可能な診断意思決定を可能にするか？

主な発見

• 提案されたBG-DQNシステムは、複数の競合するベースライン手法よりも高い診断精度を達成した。
• 診断に至るまでの平均対話回数が削減され、効率性が向上した。
• 類似した症状を示す疾患間の区別能力が優れており、誤診のリスク低減に寄与した。
• 人口統計的属性の統合により、診断パフォーマンスに顕著な改善が見られ、特に年齢や性別に関連する疾患において顕著であった。
• グラフベースの表現学習は、症状-疾患関係を効果的に捉えており、統計的または埋め込みベースの特徴に依存するモデルを上回った。