文献紹介 End-to-End Knowledge-Routed Relational Dialogue System for Automatic Diagnosis 鈴木脩右 2019/3/7 長岡技術科学大学 自然言語処理研究室 1 

Reference [1] Lin Xu, Qixian Zhou, Ke Gong, Xiaodan Liang, Jianheng Tang, and Liang Lin. End-to-End Knowledge-Routed Relational Dialogue System for Automatic Diagnosis. arXiv:1901.10623 [cs], January 2019. 2 

Abstract 

Abstract • 患者と対話し，病気の症状を自動診断する対話システムの 開発 • 既存の対話システムでは，会話データから学習するため， 外部のエキスパート知識を活用できない • 本研究では，End-to-End Knowledge-routed Relational Dialogue System (KR-DS) を提案 • 対話のトピック遷移を管理するため，Knowledge-routed Deep Q-network (KR-DQN) を提案 • 公開されている医療対話データセットで，SotA を診断正解 率で 8%以上上回り，新たに集めたデータセットにおいて も，優位性を示した 3 

Introduction 

Introduction 1 • 医療対話システムは医師を手助けできる可能性がある • 医療知識に基づいた対話および症状と疾患の関係を理解す る必要がある • 既存のタスク指向型対話システムでは外部知識を考慮して いない • 既存のデータセットでは E2E の対話学習には不十分 4 

Introduction 2 • 医療知識グラフと症状・疾患関連を対話制御のトピック遷 移に取り込む KR-DS を提案 • 一般的に医師の診断は，医療知識と診断経験に基づく • 知識グラフと関連性改善を活用する KR-DQN を提案 • 自己申告を含む患者と医師の対話データの構築 • ２つの医療対話データにおける実験 5 

本研究の貢献 1. 医療知識グラフを対話制御のトピック遷移に取り込む KR-DS の提案 2. 症状と症状-疾患ペアの関係のエンコードのための KR-DQN の提案 3. 自己申告を含む患者と医師の対話データの構築 4. ２つの医療対話データにおける実験において高い性能を示 した 6 

提案手法 

構成図 KR-DS は，言語理解 (NLU)，言語生成 (NLG)，対話管理 (DM) から 成る 7 

NLU • 中国語でインテントおよびスロットの識別を行う (データ セットが中国語のため) • ユーザーのインテントは 4 タイプに分けられる (request+disease，confirm+symptom，deny+symptom， not-sure+symptom) • Bi-LSTM で各単語をタグ付けを行い，スロットとインテント を同時に識別 • 文脈理解は，ルールベースで管理し，症状状態を記憶 • 症状はスロットとして固定ベクトルで表現 • 事前トレーニング (教師あり学習) の後，強化学習を通じて 他のユニットと共同でトレーニング可能 8 

方策学習 1 • ユーザーシミュレーターを通して対話制御を学習 • M の疾患と N の症状を考える • 状態 st は，ユーザーとエージェントの前回行動と既知の症 状表現と現在のターン情報を含む • 対話方策 π は，状態 st を受け取り，行動決定 π(at |st ) 9 

方策学習 2 • Basic DQN 状態 st を入力として行動を予測 • Relational Refinement 前行動の依存性から，関連性改善モジュールをデザインする • Knowledge-routed Graph 2 つのノード（疾患と症状）を持ち，医療知識グラフの重み として，疾患と症状間の条件付き確率を計算する 10 

実験 

データセット • MZ dataset(既存データセット) • 4 種の疾患と 66 の症状を含む • ユーザーゴールしか含まれない • ユーザーシミュレーターとエラーモデルを利用して DM モデルを 学習 • DX Medical Dialogue Dataset • 医師が診断を行う中国サイトでデータを収集 • 5 種の疾患と 41 の症状が含まれた 527 対話 • アノテーターには医療知識のある 4 人を採用 11 

実験結果 12 

人的評価 ３人の医療関係者を読んで，３つの要素で比較してもらった． １．診断の妥当性，２．最終診断の正しさ，３．対話の流暢さ， これらを１− ５点で評価．１０４対話が３人によって評価され た．すべての項目で一番良い結果になった． 13 

定性分析 • 1 つ目の例では，ベースラインはいきなり診察を下してい る．KR-DS は，他にも考えられる疾患を検討している • ２つ目の例ではベースラインは，医療知識がないため正し い疾患に関連しない質問を繰り返している． 14 

Conclusions 

Conclusions • 対話管理、自然言語理解、および自然言語生成を強化学習に よって協調的に最適化することを可能にする KR-DS を提案 • トピック遷移を管理する KR-DQN を提案 • 医師と患者の対話データセットを構築 • 既存データセットおよび構築データセットにおいて，高い 性能を示した 15