[论文解读] FIT: a Fast and Accurate Framework for Solving Medical Inquiring and Diagnosing Tasks.

Weijie He, Xiaohao Mao+3 more|arXiv (Cornell University)|Dec 2, 2020

Machine Learning in Healthcare参考文献 37被引用 4

一句话总结

FIT 是一种快速、准确的强化学习框架，用于医疗自我诊断，其采用信息论奖励机制，并结合多模态变分自编码器与两步采样策略，以高效选择症状并预测疾病。该框架在显著降低计算成本的同时，在模拟和真实医疗数据集上均优于现有的强化学习基线模型。

ABSTRACT

Automatic self-diagnosis provides low-cost and accessible healthcare via an agent that queries the patient and makes predictions about possible diseases. From a machine learning perspective, symptom-based self-diagnosis can be viewed as a sequential feature selection and classification problem. Reinforcement learning methods have shown good performance in this task but often suffer from large search spaces and costly training. To address these problems, we propose a competitive bipartite framework, called FIT, which uses an information-theoretic reward to determine what data to collect next. FIT improves over previous information-based approaches by using a multimodal variational autoencoder (MVAE) model and a two-step sampling strategy for disease prediction. Furthermore, we propose novel methods to substantially reduce the computational cost of FIT to a level that is acceptable for practical online self-diagnosis. Our results in two simulated datasets show that FIT can effectively deal with large search space problems, outperforming existing RL baselines. Moreover, using several public medical datasets, we show that FIT is a competitive alternative in various real-world settings.

研究动机与目标

• 为解决基于强化学习的医疗自我诊断中计算成本高和搜索空间大的挑战。
• 利用信息论原则提升症状选择与疾病预测的准确性和效率。
• 降低训练与推理成本，以实现在线自我诊断系统中的实际部署。
• 开发一种可扩展的框架，在多样化医疗数据集和真实场景中均表现良好。

提出的方法

• FIT 采用一种竞争性二分图框架，将症状选择建模为使用强化学习的序列决策过程。
• 采用信息论奖励函数，引导智能体在每一步选择最具信息量的症状。
• 使用多模态变分自编码器（MVAE）对症状与疾病的联合分布进行建模，捕捉复杂的依赖关系。
• 两步采样策略通过优化不确定性估计并聚焦于高影响力症状，提升了疾病预测性能。
• 引入新颖的计算优化技术，显著降低推理时间和内存使用。
• 该框架在模拟数据集和公开医疗数据集上进行训练与评估，以确保鲁棒性与泛化能力。

实验结果

研究问题

• RQ1 基于强化学习的框架是否能在医疗自我诊断中实现高诊断准确率，同时保持低计算成本？
• RQ2 与标准强化学习方法相比，信息论奖励机制在症状选择效率方面有何提升？
• RQ3 基于MVAE的症状-疾病关系建模在多大程度上提升了预测性能？
• RQ4 所提出的两步采样策略是否能降低不确定性并提升诊断置信度？
• RQ5 FIT 在多种真实世界医疗数据集上与现有强化学习基线相比表现如何？

主要发现

• FIT 在两个具有大搜索空间的模拟数据集上，诊断准确率显著优于现有的强化学习基线模型。
• 该框架实现了计算成本的显著降低，使其适用于实时在线自我诊断应用。
• 采用多模态变分自编码器提升了症状-疾病关系的建模能力，从而带来更准确的预测结果。
• 信息论奖励机制实现了高效且有针对性的症状选择，减少了达成诊断所需的查询次数。
• FIT 在多个公开医疗数据集上展现出强大的泛化性能，证实其在真实场景中的竞争力。
• 两步采样策略通过在诊断过程中优化不确定性估计，提升了预测的可靠性。