【标题】Towards Trustworthy Automatic Diagnosis Systems by Emulating Doctors' Reasoning with Deep Reinforcement Learning

【作者团队】Arsene Fansi Tchango, Rishab Goel, Julien Martel, Zhi Wen, Gaetan Marceau Caron, Joumana Ghosn

【发表日期】2022.10.13

【论文链接】https://arxiv.org/pdf/2210.07198.pdf

【推荐理由】目前机器学习文献中提出的大多数医学证据获取和诊断过程的自动化工作仅专注于提高患者病理的预测准确性。此文认为这一目标不足以确保医生接受此类系统。在与患者的最初互动中，医生不仅专注于识别患者的病理，还会生成鉴别诊断（以可能疾病的简短列表的形式），因为从患者那里收集的医学证据通常不足以确定最终诊断。而且，在可能将其排除在鉴别诊断之外之前医生会明确探索严重的病理。最后，为了让医生相信系统的建议，他们需要了解收集到的证据是如何导致预测疾病的。因此系统与患者之间的交互需要模仿医生的推理。综上，此文建议使用深度强化学习框架对证据获取和自动诊断任务进行建模，该框架考虑了医生推理的三个基本方面，即用探索-确认方法生成鉴别诊断，同时优先考虑严重的病理。文中提出了基于这三个方面评估交互质量的指标，并且文中的方法执行优于现有的模型，同时保持竞争性病理预测的准确性。