[논문 리뷰] A Graph Based and Patient Demographics Aware Dialogue System for Disease Diagnosis.

Xinyan Zhao, Liangwei Chen외 1명|arXiv (Cornell University)|2020. 10. 21.

Topic Modeling참고 문헌 26인용 수 4

한 줄 요약

이 논문은 병원 진료 대화 기록을 기반으로 한 대칭형 그래프 컬러네이션 네트워크(BG-DQN)를 사용하여 증상-질병 관계를 모델링하고 환자 인구통계적 특성을 통합하는 그래프 기반, 인구통계학적 특성 인식 대화 시스템을 제안한다. 이 시스템은 기존 방법에 비해 진단 정확도를 향상시키고 대화 라운드 수를 줄이며 유사한 증상을 보이는 질병 간의 구별 능력을 향상시킨다.

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.

연구 동기 및 목표

• 기존의 데이터 기반 질병 진료 대화 시스템에서 심층적 의료 지식 통합의 부족을 해결한다.
• 이전 연구에서 간과되기 쉬운 환자 인구통계적 특성(예: 연령, 성별)을 진단 과정에 통합한다.
• 임상 대화에서 유도된 구조적 정보와 속성 정보를 활용하여 증상-질병 관계를 보다 효과적으로 모델링한다.
• 정확한 진단을 위해 필요한 대화 라운드 수를 줄이되, 진단 성능을 유지하거나 향상시킨다.
• 유사한 증상을 보이는 질병을 더 잘 구별할 수 있는 능력을 향상시킨다.

제안 방법

• 임상 대화 기반으로 가중치가 부여된 대칭형 그래프를 구성하여 증상-질병 관계를 표현한다.
• 그래프 컬러네이션 네트워크(GCN)를 활용하여 그래프의 구조적 정보와 속성 정보에서 임베딩을 학습하는 대칭형 그래프 기반 딥 Q-네트워크(BG-DQN)를 개발한다.
• GCN를 확장하여 증상-질병 그래프의 위상적 구조와 증상 및 질병와 같은 노드별 속성 정보를 모두 인코딩한다.
• 환자 인구통계적 특성(예: 연령, 성별)을 BG-DQN 프레임워크에 통합하여 진단 결정에 영향을 주도록 한다.
• 강화 학습을 사용하여 대화 정책을 최적화함으로써 효율적이고 정확한 진단을 위한 BG-DQN을 훈련시킨다.
• 학습된 임베딩을 활용하여 대화 관리 지도를 제공하고, 각 라운드에서 가장 정보성 있는 질문을 선택할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 기존의 통계적 또는 임베딩 기반 방법에 비해 그래프 기반 접근 방식이 증상과 질병 간의 복잡한 관계를 더 잘 모델링할 수 있는가?
• RQ2 환자 인구통계적 특성이 대화 기반 시스템에서 진단 정확도에 어느 정도 기여하는가?
• RQ3 제안된 BG-DQN이 정확도를 유지하거나 향상시키면서도 진단에 필요한 대화 라운드 수를 줄일 수 있는가?
• RQ4 유사한 증상 프로파일을 보이는 질병을 시스템이 얼마나 잘 구별할 수 있는가?
• RQ5 그래프 네트워크 내에서 구조적 정보와 속성 정보를 통합함으로써 더 강건하고 설명 가능한 진단 결정을 이끌 수 있는가?

주요 결과

• 제안된 BG-DQN 시스템은 여러 경쟁 기반 방법에 비해 더 높은 진단 정확도를 달성한다.
• 진단에 도달하기 위해 필요한 평균 대화 라운드 수가 감소하여 효율성이 향상된다.
• 유사한 증상을 보이는 질병 간의 구별 능력이 뛰어나 오진 위험을 줄인다.
• 인구통계적 특성 통합은 특히 연령 또는 성별과 관련된 질환에서 진단 성능 향상에 유의미한 기여를 한다.
• 그래프 기반 표현 학습은 증상-질병 관계를 효과적으로 포착하여 통계적 또는 임베딩 기반 특성에 의존하는 모델보다 우수한 성능을 보인다.