7月23日-27日，人工智能領域智能信息檢索方向最權威的國際會議“第46屆國際計算機學會信息檢索大會”（SIGIR 2023）在中國臺灣省臺北市舉行。大會公布了投稿論文入選名單，由深蘭科學院多名科技研發人員合力撰寫的論文《MDKG：基于圖的醫學知識引導對話生成》（Graph-Based Medical Knowledge-Guided Dialogue Generation）被大會收錄并發表。
ACM SIGIR（International ACM SIGIR Conference on Research and Development in Information Retrieval）是由美國計算機協會（ACM）發起主辦，始創于1971年，是中國計算機學會（CCF）推薦的A類國際學術會議，也是展示信息檢索新的系統、技術和研究成果的國際舞臺。今年的會議，一共收到來自全球的822篇論文投稿，其中有165篇論文被錄用，錄用率僅有20.1%。本次深蘭科學院被收錄的論文《MDKG：基于圖的醫學知識引導對話生成》（Graph-Based Medical Knowledge-Guided Dialogue Generation）是圍繞醫療領域對話問答生成問題展開探索。這代表著現有醫療對話系統（MDS）的最優研究結果被刷新，通過快速學習和完善醫學知識圖譜來推理新的疾病癥狀的問診方法的出現，將進一步推動AI醫療技術的發展。
圖1 MDKG模型框架
醫療對話系統（MDS）旨在通過與患者交談，來獲取自我報告中不存在的其他癥狀并進行自動診斷。它不僅能夠簡化診斷過程并降低從患者處獲取信息的成本，而且其產生的初步診斷報告，還能幫助醫生做出更有效地診斷。這引起了深蘭科學院研究員的廣泛關注。現有的醫療對話系統（MDS）雖然具備了像人類醫生一樣通過與患者的對話進行診斷的能力，但系統大多基于序列建模，沒有考慮醫學知識自主學習。這使得系統在信息有限的疾病情況下更容易誤診。為了克服這個問題，深蘭提出了MDKG，一種用于醫學對話生成（MDG）的端到端對話系統，專門設計用于通過快速學習和發展元知識圖來適應新疾病，依靠醫學知識圖來提取疾病-癥狀關系，并使用基于動態圖的元學習框架來學習如何進化給定的知識圖來推理疾病-癥狀相關性。因為這種方法結合了醫學知識，因此減少了大量對話的需要。如表1，深蘭在CMDD和春雨數據集上評估了MKDG模型，相關數據集在以往的類似研究中被廣泛使用。
表1：春雨和CMDD數據集的詳細定性結果
本次評估使用了BLEU和Entity-F1兩個自動度量來評估該方法的性能。BLEU分數用來評估生成響應的質量，而Entity-F1分數用來衡量實體預測任務的成功率。根據以上兩個數據集評估的結果，將SLAKE知識圖集成到框架中可以提高醫療對話系統（MDS）的性能。數據顯示，深蘭科學院開創性提出的MDKG模型，在基于BLEU和Entity自動度量的評估中刷新了這兩項的最高得分記錄。在“春雨數據集”的BLEU和Entity自動度量評估中，深蘭方案較原有最佳方案得分分別高出1.7和4.32分；在CMDD數據集中，則較原有最佳方案得分分別高出0.97和3.42分。
圖2：采用了MDKG模型的肝硬化診斷對話案例
本次論文的研究成果除了已經被應用于醫療對話系統（MDS）之外，未來還有望被應用到深蘭AI醫療板塊其他產品中去。
