De 23 a 27 de julho, a conferência internacional de maior autoridade sobre recuperação de informações inteligentes no campo da inteligência artificial "A 46ª Conferência Internacional de Recuperação de Informações da Sociedade de Computadores" (SIGIR 2023) foi realizada em Taipei, província de Taiwan, China. A conferência anunciou a lista selecionada de artigos enviados e o artigo "MDKG: Graph-Based Medical Knowledge-Guided Dialogue Generation" (Geração de Diálogo Guiado por Conhecimento Médico Baseado em Gráficos) escrito por um número de pessoal de P&D científico e tecnológico da Academia of Deep Blue Science and Technology foi incluído na conferência e aceito.
ACM SIGIR (International ACM SIGIR Conference on Research and Development in Information Retrieval) é iniciada e patrocinada pela Association for Computing Machinery (ACM). Foi fundada em 1971. É uma conferência acadêmica internacional Classe A recomendada pela Federação Chinesa de Computadores ( CCF) Uma arena internacional para a busca de novos sistemas, tecnologias e resultados de pesquisa. A conferência deste ano recebeu um total de 822 artigos enviados de todo o mundo, dos quais 165 artigos foram aceitos, uma taxa de aceitação de apenas 20,1%.
O artigo "MDKG: Graph-Based Medical Knowledge-Guided Dialogue Generation" (Geração de diálogo guiado por conhecimento médico baseado em gráficos) incluído na Shenlan Academy of Sciences é uma exploração em torno da geração de perguntas e respostas de diálogo no campo médico. Isso representa que os melhores resultados de pesquisa do sistema de diálogo médico existente (MDS) foram atualizados e o surgimento de um método de investigação que infere novos sintomas de doenças por meio do aprendizado rápido e da melhoria dos mapas de conhecimento médico promoverá ainda mais o desenvolvimento da tecnologia médica de IA .
Figura 1 Estrutura do modelo MDKG
O Sistema de Diálogo Médico (SMD) visa captar e diagnosticar automaticamente outros sintomas que não estão presentes no autorrelato por meio da conversa com os pacientes. Além de simplificar o processo de diagnóstico e reduzir o custo de obtenção de informações dos pacientes, o relatório de diagnóstico preliminar que ele gera também pode ajudar os médicos a fazer um diagnóstico mais eficaz. Isso despertou preocupação generalizada de pesquisadores da Deep Blue Academy of Sciences.
Embora o sistema de diálogo médico (MDS) existente tenha a capacidade de diagnosticar por meio do diálogo com pacientes como um médico humano, a maioria dos sistemas é baseada na modelagem de sequências e não considera o aprendizado autônomo do conhecimento médico. Isso torna mais fácil para o sistema diagnosticar erroneamente casos de doenças com informações limitadas. Para superar esse problema, o Deep Blue propôs o MDKG, um sistema de diálogo ponta a ponta para geração de diálogo médico (MDG), especialmente projetado para se adaptar a novas doenças, aprendendo e desenvolvendo gráficos de metaconhecimento rapidamente, com base em gráficos de conhecimento médico. para extrair relações de sintomas de doenças e usar uma estrutura de meta-aprendizado baseada em gráficos dinâmicos para aprender como evoluir um determinado gráfico de conhecimento para raciocinar sobre correlações de sintomas de doenças. Como essa abordagem incorpora conhecimento médico, ela reduz a necessidade de um diálogo extenso.
Conforme mostrado na Tabela 1, a Shenlan Technology avaliou o modelo MKDG nos conjuntos de dados CMDD e Chunyu, e os conjuntos de dados relacionados foram amplamente utilizados em estudos semelhantes anteriores.
Tabela 1: Resultados qualitativos detalhados nos conjuntos de dados Chunyu e CMDD
Essa avaliação usa duas métricas automáticas, BLEU e Entity-F1, para avaliar o desempenho do método. A pontuação BLEU é usada para avaliar a qualidade das respostas geradas, enquanto a pontuação Entity-F1 é usada para medir a taxa de sucesso da tarefa de predição da entidade. De acordo com os resultados avaliados nos dois conjuntos de dados acima, a integração do gráfico de conhecimento SLAKE na estrutura pode melhorar o desempenho do Sistema de Diálogo Médico (MDS).
Os dados mostram que o modelo MDKG, pioneiro da DeepBlue Academy of Sciences, estabeleceu os recordes de pontuação mais altos na avaliação com base na medição automática BLEU e Entity. Nas avaliações de medição automática BLEU e Entity do "Spring Rain Dataset", as pontuações da solução da Shenlan Technology foram 1,7 e 4,32 pontos superiores à melhor solução original; no conjunto de dados CMDD, as pontuações foram superiores à melhor solução original. 0,97 e 3,42 pontos.
Figura 2: Exemplo de caixa de diálogo para diagnóstico de cirrose hepática usando o modelo MDKG
Além de serem aplicados ao Sistema de Diálogo Médico (MDS), espera-se que os resultados da pesquisa desta tese sejam aplicados a outros produtos do setor médico de IA da DeepBlue Technology no futuro.