[论文解读] 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 4

一句话总结

本文提出了一种基于图结构、考虑人口统计学特征的对话系统，用于疾病诊断，采用双向图卷积网络（BG-DQN）建模症状-疾病关系，并整合患者人口统计学属性。与现有方法相比，该系统提高了诊断准确率，减少了对话轮次，并增强了对症状相似疾病之间的区分能力。

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.

研究动机与目标

• 解决现有数据驱动疾病诊断对话系统中深度医学知识整合不足的问题。
• 将患者人口统计学属性（在以往研究中常被忽略）整合到诊断过程中。
• 利用临床对话中的结构化信息和属性信息，改进症状-疾病关系的建模。
• 在保持或提升诊断性能的前提下，减少达到准确诊断所需的对话轮次。
• 提升系统对症状表现相似疾病的区分能力。

提出的方法

• 从临床对话中构建加权的双向图，以表示症状-疾病关系。
• 开发一种基于双向图的深度Q网络（BG-DQN），利用图卷积网络（GCN）从图中的结构信息和属性信息中学习嵌入表示。
• 扩展GCN以同时编码症状-疾病图的拓扑结构以及节点特定属性（如症状和疾病）。
• 将患者人口统计学属性（如年龄、性别）整合到BG-DQN框架中，以辅助诊断决策。
• 使用强化学习训练BG-DQN，以优化对话策略，实现高效且准确的诊断。
• 利用学习到的嵌入表示指导对话管理，使系统能够在每一轮对话中选择最具信息量的问题。

实验结果

研究问题

• RQ1 与传统统计方法或嵌入方法相比，基于图的方法是否能更有效地建模症状与疾病之间的复杂关系？
• RQ2 在对话式系统中，患者人口统计学属性在多大程度上能提升诊断准确率？
• RQ3 所提出的BG-DQN是否能在保持或提升准确率的同时，减少达到诊断所需的对话轮次？
• RQ4 该系统在区分症状特征相似的疾病方面表现如何？
• RQ5 在图网络中整合结构信息与属性信息，是否能带来更鲁棒且可解释的诊断决策？

主要发现

• 所提出的BG-DQN系统在诊断准确率上优于多种竞争性基线方法。
• 该系统显著减少了达到诊断所需的平均对话轮次，提升了效率。
• 模型在区分症状相似疾病方面表现出更优的区分能力，降低了误诊风险。
• 整合人口统计学属性可显著提升诊断性能，尤其在与年龄或性别相关的疾病中效果更明显。
• 基于图的表征学习能有效捕捉症状-疾病关系，优于仅依赖统计或嵌入特征的模型。