[論文レビュー] End-to-End Knowledge-Routed Relational Dialogue System for Automatic Diagnosis

Lin Xu, Qixian Zhou+4 more|arXiv (Cornell University)|Jan 30, 2019

Topic Modeling参考文献 25被引用数 6

ひとこと要約

本稿では、医療知識グラフと症状-疾患関係を強化学習に基づくポリシー学習に統合することで、自己診断を実現するエンドツーエンドの知識ルーティング型関係的対話システム（KR-DS）を提案する。新規に開発した知識ルーティング型ディープQネットワーク（KR-DQN）を用いて、公的および新規に収集した医療対話データセットにおいて、診断精度が最先端手法を8%以上上回ることを示した。関係的精錬と知識ガイダンス型ポリシー学習により、症状の関連性、対話の整合性、診断の正確性が向上している。

ABSTRACT

Beyond current conversational chatbots or task-oriented dialogue systems that have attracted increasing attention, we move forward to develop a dialogue system for automatic medical diagnosis that converses with patients to collect additional symptoms beyond their self-reports and automatically makes a diagnosis. Besides the challenges for conversational dialogue systems (e.g. topic transition coherency and question understanding), automatic medical diagnosis further poses more critical requirements for the dialogue rationality in the context of medical knowledge and symptom-disease relations. Existing dialogue systems (Madotto, Wu, and Fung 2018; Wei et al. 2018; Li et al. 2017) mostly rely on data-driven learning and cannot be able to encode extra expert knowledge graph. In this work, we propose an End-to-End Knowledge-routed Relational Dialogue System (KR-DS) that seamlessly incorporates rich medical knowledge graph into the topic transition in dialogue management, and makes it cooperative with natural language understanding and natural language generation. A novel Knowledge-routed Deep Q-network (KR-DQN) is introduced to manage topic transitions, which integrates a relational refinement branch for encoding relations among different symptoms and symptom-disease pairs, and a knowledge-routed graph branch for topic decision-making. Extensive experiments on a public medical dialogue dataset show our KR-DS significantly beats state-of-the-art methods (by more than 8% in diagnosis accuracy). We further show the superiority of our KR-DS on a newly collected medical dialogue system dataset, which is more challenging retaining original self-reports and conversational data between patients and doctors.

研究の動機と目的

• データ駆動型チャットボットを凌駕する臨床的知識の統合を目的とした、自動医療診断を目的としたタスク指向型対話システムの開発。
• 既存システムの限界である医療知識の統合不足と、整合性のないまたは重複する症状照会の発生を是正すること。
• 強化学習を用いて、対話管理、自然言語理解、自然言語生成を統合的に最適化する包括的でエンドツーエンドのフレームワークの設計。
• エンドツーエンド医療対話システムの学習と評価を可能にするために、実際の患者の自己報告と医師-患者対話を保持した新しいベンチマークデータセットの構築。
• 症状-疾患関係と医療知識グラフルーティングをポリシー学習に活用することで、診断精度と対話の整合性を向上させること。

提案手法

• 標準DQNを拡張した、関係的精錬ブランチと知識ルーティング型グラフブランチの2つの専用ブランチを備えた知識ルーティング型ディープQネットワーク（KR-DQN）を提案。
• 関係的精錬ブランチは、歴史的診断データから症状同士および症状-疾患ペア間の関係を学習し、初期ポリシー意思決定を精錬する。
• 知識ルーティング型グラフブランチは、条件付き確率を備えた医療知識グラフを用い、トピック遷移をガイドすることで、症状照会の医学的関連性と整合性を保証する。
• KR-DQNを完全なエンドツーエンド対話システムに統合し、対話管理、自然言語理解、自然言語生成を統合的に制御する。
• 成功（22）、失敗（-11）、ステップペナルティ（-1）に基づく報酬関数を用いた強化学習を採用。報酬の大きさに関するアブレーションスタディにより、学習安定性を確保。
• オンラインフォーラムから収集した医療対話データセットを構築し、元の患者の自己報告と医師-患者会話の内容を保持することで、現実的なNLUおよびNLGの学習を支援。

実験結果

リサーチクエスチョン

• RQ1 医療知識グラフを対話ポリシー学習に統合することで、自動診断を目的とした対話システムが、より高い診断精度を達成できるか。
• RQ2 症状と疾患の間の関係的エンコーディングを組み込むことで、症状照会の整合性と関連性がどのように向上するか。
• RQ3 純粋にデータ駆動型のアプローチと比較して、知識ルーティング型ポリシー学習は、重複または不適切な症状照会をどの程度削減できるか。
• RQ4 元の患者発話と医師-患者対話を保持した現実的で実世界の対話データセットにおいて、提案されたKR-DSはどのように性能を発揮するか。
• RQ5 報酬形状戦略の違いが、対話システムの学習安定性と最終的な診断性能に与える影響は何か。

主な発見

• 公的医療対話データセットでは、KR-DSは診断精度0.96を達成し、最先端手法を8%以上上回った。
• 新規に収集したMZデータセットでは、KR-DSは0.740の精度、0.267のマッチレート、平均3.36ターンを記録し、より困難で現実的なベンチマークでも優れた性能を示した。
• 人間評価では、KR-DSは診断妥当性、症状の整合性、対話の流暢さの各項目で、5段階スケールで最高平均スコアを獲得し、Basic DQNおよびSequicityを上回った。
• アブレーションスタディにより、知識ルーティング型グラフブランチと関係的精錬ブランチの両方が不可欠であることが確認され、条件付き確率の初期化がランダム初期化より性能を向上させた。
• 報酬の大きさを変化させた実験では、小さな報酬値（例：-0.25）が安定した学習と、大きな値と同等の性能を達成することが示され、報酬スケーリングに対して頑健であることがわかった。
• 定性的分析により、KR-DSは特徴的な症状（例：アレルギー性鼻炎における鼻づまり）を的確に特定し、不適切な照会を回避することで、手足口病のような複雑な症例でも正しい診断に到達していることが確認された。