التعلم التعزيزي الهرمي لتشخيص الأمراض بصورة تلقائية

الدافع: نموذج نظام الحوار الموجه لتشخيص الأمراض يقوم بتمثيل إجراءات الاستشارة التفاعلية كعملية قرار ماركوف، وتستخدم خوارزميات التعلم التعزيزي لحل المشكلة. الطرق الحالية عادة ما تستخدم هيكل سياسة مسطح يعامل جميع الأعراض والأمراض بشكل متساوٍ في اتخاذ الإجراءات. هذه الاستراتيجية تعمل بشكل جيد في سيناريو بسيط عندما تكون مساحة الإجراءات صغيرة؛ ومع ذلك، سيتم الطعن في كفاءتها في البيئة الواقعية. مستوحاة من عملية الاستشارة غير المتصلة، نقترح دمج هيكل سياسة هرمي من مستويين في نظام الحوار لتعلم السياسة. تتكون السياسة عالية المستوى من نموذج رئيسي مسؤول عن تفعيل نموذج منخفض المستوى، بينما تتكون السياسة منخفضة المستوى من عدة فاحصي أعراض ومصنف أمراض. الهيكل المقترح للسياسة قادر على التعامل مع مشكلة التشخيص بما في ذلك عدد كبير من الأمراض والأعراض. النتائج: تظهر النتائج التجريبية على ثلاث مجموعات بيانات من العالم الحقيقي ومجموعة بيانات صناعية أن إطارنا الهرمي يحقق دقة أعلى واسترجاع أعراض أفضل في تشخيص الأمراض مقارنة بالأنظمة الحالية. نحن نبني معيارًا يتضمن مجموعات بيانات وتنفيذ خوارزميات قائمة لتحفيز الأبحاث اللاحقة. توفر الشفرة والبيانات من https://github.com/FudanDISC/DISCOpen-MedBox-DialoDiagnosis. المعلومات التكميلية: البيانات التكميلية متاحة في السيرة الذاتية على الإنترنت.