[論文レビュー] MedDialog: A Large-scale Medical Dialogue Dataset

Shu Chen, Zeqian Ju+10 more|arXiv (Cornell University)|Apr 7, 2020

Machine Learning in Healthcare参考文献 2被引用数 28

ひとこと要約

本論文では、0.3百万件の英語および110万件の中国語の患者-医師対話から構成される大規模な医療対話データセット、MedDialogを紹介する。合計で0.5百万件および400万件の発話が含まれる。これは、現在までで最大の医療対話データセットであり、遠隔医療アプリケーションにおける医療対話システムの研究を進めるために設計されている。

ABSTRACT

Medical dialogue systems are promising in assisting in telemedicine to increase access to healthcare services, improve the quality of patient care, and reduce medical costs. To facilitate the research and development of medical dialogue systems, we build two large-scale medical dialogue datasets: MedDialog-EN and MedDialog-CN. MedDialog-EN is an English dataset containing 0.3 million conversations between patients and doctors and 0.5 million utterances. MedDialog-CN is an Chinese dataset containing 1.1 million conversations and 4 million utterances. To our best knowledge, MedDialog-(EN,CN) are the largest medical dialogue datasets to date. The dataset is available at this https URL

研究の動機と目的

• 医療対話システムのトレーニングおよび評価に用いるための、大規模かつ多様な医療対話データセットの不足に対処すること。
• 遠隔医療におけるスケーラブルでデータ駆動型の医療対話システムを通じて、医療へのアクセスを向上させること。
• 英語および中国語の並列医療対話データを提供することで、多言語研究を支援すること。
• 患者ケアの向上を図るために、正確で文脈に配慮した医療対話エージェントの開発を促進すること。

提案手法

• 実世界の医療相談データから、MedDialog-ENおよびMedDialog-CNをキュレートおよび構築した。
• 遠隔医療プラットフォームから患者-医師対話を収集し、臨床的関連性および多様性を確保した。
• モデルのトレーニングおよび評価のため、ターンごとの対話形式にデータをアノテートおよび構造化した。
• 医療的正確性を維持するために、専門家によるレビューおよび言語的妥当性の検証を通じて、データ品質を確保した。
• 既存のNLPおよび対話システムフレームワークとの相互運用性を確保するため、対話フォーマットおよびメタデータを標準化した。
• 研究の広範なアクセスおよび再現可能性を可能にするために、専用のURLでデータセットを公開した。

実験結果

リサーチクエスチョン

• RQ1 大規模かつ多言語対応の医療対話データセットは、現実の遠隔医療環境における医療対話システムのパフォーマンスを向上させることができるか？
• RQ2 対話データの規模および多様性は、文脈に配慮した医療対話エージェントのトレーニングにどのように影響するか？
• RQ3 多言語対応の医療対話データセットは、クロスリンガル医療対話モデルの開発をどの程度支援できるか？
• RQ4 大規模かつ臨床的に正確な医療対話データをスケールして収集・キュレートする際の主な課題は何か？

主な発見

• MedDialog-ENには0.3百万件の英語対話と0.5百万件の発話が含まれており、公開済みの英語医療対話データセットの中で最大のものの一つである。
• MedDialog-CNは110万件の中国語対話と400万件の発話から構成され、中国語医療対話データのスケールを顕著に拡大している。
• 統合されたデータセットは、英語および中国語の両方で、これまでで最大の医療対話コレクションを表している。
• データセットは専用のURLで公開されており、医療対話システム分野におけるオープンな研究および再現可能性を支援している。