증강 그래프를 활용한 지식 기반 의료 대화 생성

풍부한 건강 데이터를 활용하는 스마트 헬스케어 시스템은 의료 서비스 접근성을 개선하고, 의료 비용을 줄이며, 일관되게 높은 품질의 환자 치료를 제공할 수 있습니다. 의학적으로 적절하고 인간 같은 대화를 생성하는 의료 대화 시스템은 다양한 사전 훈련된 언어 모델과 통합 의학 언어 시스템(UMSL)을 기반으로 한 대규모 의료 지식 베이스를 사용하여 개발되었습니다. 그러나 지식 기반 대화 모델의 대부분은 관찰된 트리플에서 지역 구조만을 사용하며, 이는 지식 그래프의 불완전성으로 인해 대화 이력에서의 정보를 통합할 수 없습니다. 결과적으로 이러한 모델의 성능은 크게 저하됩니다. 이 문제를 해결하기 위해 우리는 각 그래프의 트리플을 대규모 모델에 임베딩하고 최근 출시된 MedDialog(EN) 데이터 세트를 사용하여 대화 이력을 기반으로 임상적으로 정확한 응답을 생성하는 일반적인 방법을 제안합니다. 트리플 세트를 주어진 경우, 우리는 먼저 환자의 발화와 겹치는 트리플의 주체 엔티티를 마스킹한 다음, 마스킹된 엔티티를 예측하는 동안 트리플의 각 꼬리 엔티티에 대한 교차 엔트로피 손실을 계산합니다. 이 과정은 대화로부터 맥락 정보를 학습할 수 있는 그래프에서 의학 개념의 표현을 결과로 내며, 궁극적으로 금(金) 응답으로 이어지는 데 도움을 줍니다. 우리는 또한 Covid-19 질병에만 초점을 맞춘 대화가 포함된 작은 데이터 집합인 Covid 데이터 세트에서 제안된 마스크드 엔티티 대화(MED) 모델을 미세 조정합니다. 게다가 UMLS 및 기타 기존 의료 그래프가 데이터 특정 의학 정보를 결여하고 있기 때문에, 우리는 새롭게 구축된 의료 엔티티 예측(MEP) 모델을 사용하여 지식 그래프를 재구성하고 그럴듯한 증강 작업을 수행합니다. MedDialog(EN) 및 Covid 데이터 세트에 대한 실증 결과는 우리가 제안한 모델이 자동 및 인간 평가 메트릭에서 최첨단 방법을 능가한다는 것을 보여줍니다.