[论文解读] 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 6

一句话总结

本文提出了一种端到端的知识路由关系对话系统（KR-DS），用于自动医疗诊断，通过一种新型的知识路由深度Q网络（KR-DQN），将医学知识图谱和症状-疾病关系整合到对话管理中。该系统在公开和新收集的医疗对话数据集上，诊断准确率比最先进方法高出8%以上，通过关系精炼和知识引导的策略学习，显著提升了症状相关性、对话合理性与诊断精确度。

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.

研究动机与目标

• 开发一种面向自动医疗诊断的任务导向型对话系统，超越数据驱动的聊天机器人，整合临床知识。
• 解决现有系统缺乏医学知识整合、导致症状查询不连贯或冗余的问题。
• 设计一个统一的端到端框架，通过强化学习联合优化对话管理、自然语言理解与自然语言生成。
• 构建一个新的基准数据集，保留真实患者自述和医患互动内容，用于训练和评估端到端医疗对话系统。
• 通过在策略学习中利用症状-疾病关系和医学知识图谱路由，提升诊断准确率与对话合理性。

提出的方法

• 提出一种知识路由深度Q网络（KR-DQN），在标准DQN基础上增加两个专用分支：关系精炼分支与知识路由图分支。
• 关系精炼分支从历史诊断数据中学习症状之间及症状-疾病对之间的关系，以精炼初始策略决策。
• 知识路由图分支利用包含条件概率的医学知识图谱，引导话题转换，确保症状查询具有医学相关性与连贯性。
• 将KR-DQN集成到完整的端到端对话系统中，协调对话管理、自然语言理解与自然语言生成。
• 采用基于成功（22）、失败（-11）和步数惩罚（-1）的奖励函数进行强化学习，并通过奖励幅度的消融实验确保训练稳定性。
• 从在线论坛构建新的医疗对话数据集，保留原始患者自述与医患对话，以支持真实的自然语言理解与自然语言生成训练。

实验结果

研究问题

• RQ1 通过在策略学习中整合医学知识图谱，自动诊断对话系统能否实现更高的诊断准确率？
• RQ2 症状与疾病之间关系编码的引入，如何提升症状查询的合理性和相关性？
• RQ3 与纯数据驱动方法相比，知识路由策略学习在多大程度上减少了冗余或无关的症状询问？
• RQ4 所提出的KR-DS在保留原始患者语句与医患互动的真实世界对话数据集上表现如何？
• RQ5 不同的奖励设计策略对对话系统训练稳定性与最终诊断性能有何影响？

主要发现

• 在公开医疗对话数据集上，KR-DS实现0.96的诊断准确率，显著优于最先进方法超过8%。
• 在新收集的MZ数据集上，KR-DS实现0.740的准确率，匹配率为0.267，平均对话轮数为3.36轮，展现出在更具挑战性、更真实的基准上的强劲性能。
• 人工评估显示，KR-DS在诊断有效性、症状合理性与对话流畅性方面均获得最高平均评分（1–5分制），优于Basic DQN与Sequicity。
• 消融实验证实，知识路由图分支与关系精炼分支均不可或缺，且条件概率初始化相比随机初始化能进一步提升性能。
• 不同奖励幅度的实验表明，较小的奖励值（如-0.25）可实现稳定训练，并达到与较大奖励值相当的性能，表明对奖励缩放具有鲁棒性。
• 定性分析表明，KR-DS能有效识别具有鉴别意义的症状（如过敏性鼻炎的鼻塞），避免无关查询，在手足口病等复杂病例中实现正确诊断。