Del 23 al 27 de julio, se llevó a cabo en Taipei, provincia de Taiwán, China, la conferencia internacional más autorizada sobre recuperación de información inteligente en el campo de la inteligencia artificial "La 46.ª Conferencia de Recuperación de Información de la Sociedad Internacional de Computación" (SIGIR 2023). La conferencia anunció la lista de artículos seleccionados y el artículo "MDKG: Generación de diálogo guiado por el conocimiento médico basado en gráficos" (Generación de diálogo guiado por el conocimiento médico basado en gráficos) escrito por varios miembros del personal científico y tecnológico de I+D de la Academia de Tecnología de Shenlan. fue incluido en la conferencia y aceptado publicado.
ACM SIGIR (International ACM SIGIR Conference on Research and Development in Information Retrieval) es una iniciativa y patrocinio de la Association for Computing Machinery (ACM), fundada en 1971. Es una conferencia académica internacional Clase A recomendada por la China Computer Federation ( CCF) Un escenario internacional para la búsqueda de nuevos sistemas, tecnologías y resultados de investigación. La conferencia de este año recibió un total de 822 presentaciones de trabajos de todo el mundo, de los cuales se aceptaron 165 trabajos, una tasa de aceptación de solo el 20,1%.
El documento "MDKG: Graph-Based Medical Knowledge-Guided Dialogue Generation" (Generación de diálogo guiada por el conocimiento médico basado en gráficos) incluido en la Academia de Ciencias de Shenlan es una exploración en torno a la generación de preguntas y respuestas de diálogo en el campo médico. Esto representa que se han actualizado los mejores resultados de investigación del sistema de diálogo médico (MDS) existente, y la aparición de un método de consulta que infiere nuevos síntomas de enfermedades a través del aprendizaje rápido y la mejora de los mapas de conocimiento médico promoverá aún más el desarrollo de la tecnología médica de IA. .
Figura 1 Marco del modelo MDKG
El Sistema de Diálogo Médico (MDS) tiene como objetivo capturar y diagnosticar automáticamente otros síntomas que no están presentes en los autoinformes al hablar con los pacientes. No solo puede simplificar el proceso de diagnóstico y reducir el costo de obtener información de los pacientes, sino que el informe de diagnóstico preliminar que genera también puede ayudar a los médicos a realizar un diagnóstico más efectivo. Esto ha despertado una preocupación generalizada entre los investigadores de la Academia de Ciencias Deep Blue.
Aunque el sistema de diálogo médico (MDS) existente tiene la capacidad de diagnosticar a través del diálogo con los pacientes como un médico humano, la mayoría de los sistemas se basan en el modelado de secuencias y no consideran el aprendizaje autónomo del conocimiento médico. Esto facilita que el sistema diagnostique erróneamente casos de enfermedades con información limitada. Para superar este problema, Deep Blue propuso MDKG, un sistema de diálogo de extremo a extremo para la generación de diálogo médico (MDG), que está especialmente diseñado para adaptarse a nuevas enfermedades mediante el aprendizaje rápido y el desarrollo de gráficos de metaconocimiento, basándose en gráficos de conocimiento médico. para extraer relaciones enfermedad-síntoma y utilizar un marco de metaaprendizaje dinámico basado en gráficos para aprender a desarrollar un gráfico de conocimiento dado para razonar sobre las correlaciones enfermedad-síntoma. Debido a que este enfoque incorpora conocimiento médico, reduce la necesidad de un diálogo extenso.
Como se muestra en la Tabla 1, Shenlan Technology evaluó el modelo MKDG en los conjuntos de datos CMDD y Chunyu, y los conjuntos de datos relacionados se han utilizado ampliamente en estudios similares anteriores.
Tabla 1: Resultados cualitativos detallados de los conjuntos de datos de Chunyu y CMDD
Esta evaluación utiliza dos métricas automáticas, BLEU y Entity-F1, para evaluar el rendimiento del método. El puntaje BLEU se usa para evaluar la calidad de las respuestas generadas, mientras que el puntaje Entity-F1 se usa para medir la tasa de éxito de la tarea de predicción de entidades. De acuerdo con los resultados evaluados en los dos conjuntos de datos anteriores, la integración del gráfico de conocimiento SLAKE en el marco puede mejorar el rendimiento del Sistema de diálogo médico (MDS).
Los datos muestran que el modelo MDKG iniciado por DeepBlue Academy of Sciences ha establecido los récords de puntuación más altos en la evaluación basada en la medición automática de BLEU y Entity. En la evaluación de medición automática de BLEU y Entity del "Conjunto de datos de Chunyu", las puntuaciones de la solución de Shenlan Technology fueron 1,7 y 4,32 puntos más altas que la mejor solución original; en el conjunto de datos de CMDD, las puntuaciones fueron más altas que la mejor solución original. 0,97 y 3,42 puntos.
Figura 2: ejemplo de un cuadro de diálogo para el diagnóstico de cirrosis hepática utilizando el modelo MDKG
Además de aplicarse al Sistema de Diálogo Médico (MDS), se espera que los resultados de investigación de esta tesis se apliquen a otros productos en el sector médico de IA de DeepBlue Technology en el futuro.