智能医疗辅助诊断和问答系统关键技术研究

• 作 者: 李芸
• 出 处: 华东师范大学
• 发表日期: 2020年11期
• 关键词: 智能医疗 贝叶斯网络 强化学习 答案选取 句子交互

智能医疗一直是人工智能领域的研究热点,受当地发展情况影响,各地区的医疗资源配置不平衡。名医往往分布在经济发达地区,众多基础社区医院缺乏优秀医生,导致多数患者得不到高效、准确的诊断与治疗。由此,面向医生的智能辅助医疗技术发展的重要性已十分迫切。目前贝叶斯概率推理技术和神经网络技术取得了较好的效果。贝叶斯概率推理具备良好的可解释性和准确性,但计算复杂度过高使其无法进行大范围推理。神经网络技术通过自学习的方式能有很高的准确性,但是其不可解释性往往无法在真实场景中应用。本文将概率推理技术和深度强化学习相结合,辅助医生提高诊断准确率和提高提高模型的可解释性和准确性,并以“从症状出发诊断疾病”和“从问题出发咨询答案”两个方面考虑为医生提供诊断建议和问题解答。具体地,本文主要研究内容如下:(1)提出了主动交互式智能辅助诊断模型。模型根据患者症状推理各个疾病的概率并推荐最优的检查项目,反复迭代,直到给出诊断结果。其中,诊断模块设计了局部贝叶斯网络算法,用于推理各个疾病的概率。推荐模块中包含了基于强化学习的检查推荐算法,负责根据当前交互的状态选择最优的检查项目进行推荐。最后,我们在实验中证明了模型能够提高疾病诊断的准确性和效率。(2)提出了基于层级交互的答案选取模型,用于预测“问题”句和“答案”句之间的相关性。具体地,模型首先设计了包含组合注意力机制和对比模块的交互单元,然后构建多层级交互结构加深问句与答案句之间的交互程度以提取多方面特征。另外,不同层级之间会进行参数传递来增强依赖性,减少信息冗余。实验中,模型在公开数据集SciTail和SNLI上取得了最高的得分,证明了模型的先进性。(3)构建了医生端的智能辅助诊断和医疗问答系统。该系统可以辅助医生在诊断过程中给出疾病推断的概率和检查项目建议。同时,医生可以在问答模块提出问题进行答案检索。