Machine Learning-Based COVID-19 Patients Triage Algorithm using Patient-Generated Health Data from Nationwide Multicenter Database
Pohang University of Science and Technology(浦项科技大学);Basic Science Research Institute, Pohang University of Science and Technology(浦项科技大学基础科学研究所);Seoul National University Bundang Hospital(首尔大学盆唐医院)
对确诊患有传染病的患者进行及时的严重性评估模型可以实现有效的诊断,同时减轻医疗系统的负担。本研究旨在开发SARS-CoV-2严重程度评估模型,并建立一个医疗系统,允许患者检查其病例的严重程度,并根据具有类似严重程度的其他患者的既往治疗数据通知他们前往适当的临床中心。本文介绍了利用机器学习技术开发严重程度评估模型的过程及其在SARS-CoV-2患者中的应用。该模型是在韩国政府机构提供的全国性数据集上训练的,只需要患者的基本个人数据,让他们能够判断自己病例的严重程度。建模后,基于boosting的决策树模型被选为分类器,而死亡率被解释为概率得分。该数据集收集自2020年2月至2021年7月期间确诊COVID-19的所有韩国公民。实验实现了高模型性能,近似精度为$0{\cdot}923$,AUROC评分为$0{\cdot}950$ [ $95$ %容许区间$0{\cdot}940$ - $0{\cdot}958$,$95$ %置信区间$0{\cdot}949$ - $0{\cdot}950$ ]。此外,我们的实验通过敏感性分析确定了影响模型中严重程度的最重要变量。利用全国范围内的数据集,建立了传染病疫情管理的即时严重度评估模型。它已经证明了其优越的性能,超过了传统的风险评估。凭借该模型的高性能和易于访问的功能,当患者通过智能手机应用程序自行监测其健康状况时,分流算法预计将特别有用。
2022-02-12 cs.AI cs.LG
Towards Trustworthy Automatic Diagnosis Systems by Emulating Doctors' Reasoning with Deep Reinforcement Learning
Mila-Quebec AI Institute(魁北克人工智能研究所Mila);Dialogue Health Technologies Inc.(Dialogue健康科技公司)
医疗证据获取和诊断过程的自动化最近引起了越来越多的关注,以减少医生的工作量,使获得医疗服务的机会民主化。然而,在机器学习文献中提出的大多数工作仅仅集中于提高患者病理的预测准确性。我们认为,这一目标是不足以确保医生接受这种系统。在与患者的最初互动中,医生不仅专注于确定患者所患的病理;相反,他们会做出鉴别诊断(以合理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建立最终诊断。此外,医生会明确探索严重的病理,然后才可能将其排除在鉴别诊断之外,特别是在急症护理环境中。最后,为了让医生相信系统的建议,他们需要了解收集的证据如何导致预测的疾病。特别是,系统与患者之间的交互需要模仿医生的推理。因此,我们建议使用深度强化学习框架来建模证据获取和自动诊断任务,该框架考虑医生推理的三个基本方面,即使用探索-确认方法生成鉴别诊断,同时优先考虑严重的病理。我们提出了基于这三个方面的交互质量评估指标。我们表明,我们的方法比现有的模型表现更好,同时保持有竞争力的病理预测准确性。
2022-10-13 cs.AI cs.CL cs.LG
Counterfactual diagnosis
Babylon Health(巴比伦健康);University College London(伦敦大学学院)
机器学习有望彻底改变临床决策和诊断。在医学诊断中,医生的目的是通过确定疾病\emph{causing}来解释病人的症状。然而,现有的诊断算法是纯粹关联的,识别与患者症状和病史强烈相关的疾病。我们发现,这种无法从因果关系中分离相关性可能导致次优或危险的诊断。为了克服这一点,我们重新制定诊断作为一个反事实推理任务,并得出新的反事实诊断算法。我们表明,这种方法更接近临床医生的诊断推理,并显着提高了诊断的准确性和安全性。我们将我们的反事实算法与标准贝叶斯诊断算法进行比较,并使用一组临床小插曲测试了44名医生。虽然贝叶斯算法达到了与普通医生相当的准确性,在我们的队列中排名前48%的医生中,我们的反事实算法排名前25%的医生,达到了专家的临床准确性。这种改进只需要改变我们查询模型的方式就可以实现,而不需要任何额外的模型改进。我们的研究结果表明,反事实推理是将机器学习应用于医学诊断的重要组成部分。
2020-03-13 cs.AI cs.LG stat.ML
Doctor XAvIer: Explainable Diagnosis on Physician-Patient Dialogues and XAI Evaluation
University of Toronto(多伦多大学);Vector Institute for Artificial Intelligence(矢量人工智能研究所);Unity Health Toronto(多伦多统一健康)
我们介绍XAvIer医生,一个基于BERT的诊断系统,从转录的患者-医生对话中提取相关的临床数据,并使用特征归因方法解释预测。本文提出了一种新的特征归因方法的性能图和评价指标:特征归因下降(FAD)曲线及其归一化曲线下面积(N-AUC)。FAD曲线分析表明,积分梯度在解释诊断分类方面优于Shapley值。XAvIer医生在命名实体识别和症状相关性分类中的F1得分为0.97,在诊断分类中的F1得分为0.91,优于基线。
2022-04-25 cs.AI cs.CL
Expert System for Diagnosis of Chest Diseases Using Neural Networks
National Research University Higher School of Economics(国立研究型高等经济大学)
这篇文章通过一个专家系统来帮助医生诊断一些胸部疾病,这是非常重要的,因为除了这些疾病的重叠症状外,胸部疾病的频繁传播,医生很难用几种算法正确诊断:前向链接、后向链接、神经网络(反向传播)。然而,该系统不能取代医生的功能,但它可以帮助医生避免错误的诊断和治疗。它也可以以这种方式开发,以帮助新手医生。
2018-02-19 cs.AI
COVID-19 Detection Using CT Image Based On YOLOv5 Network
University of Toronto(多伦多大学);University of Edinburgh(爱丁堡大学);Xidian University(西安电子科技大学)
计算机辅助诊断(CAD)提高了诊断效率,帮助医生提供快速和自信的诊断,它在COVID 19的治疗中发挥了重要作用。在我们的任务中,我们解决了异常检测和分类的问题。Kaggle平台提供的数据集,我们选择YOLOv5作为模型。在相关的工作章节中,我们介绍了一些目标检测的方法,目标检测可以分为两个流程:一个阶段和两个阶段。代表性的模型是Faster RCNN和YOLO系列。然后详细介绍了YOLOv5模型。比较实验和结果见第四节。我们选择平均精度(mAP)作为我们的实验的指标,(mAP)越高,模型将获得更好的结果。我们的YOLOv5s的mAP@0.5为0.623,分别比Faster RCNN和EfficientDet高0.157和0.101。
2022-01-24 cs.CV cs.LG eess.IV
Towards Knowledge-Infused Automated Disease Diagnosis Assistant
本文提出知识注入、话语感知的双通道疾病诊断模型 KI-DDI,并构建共情医患对话语料库,证明额外症状提取与医学知识融合可显著提升诊断效果。
2024-05-18 cs.AI cs.CL
Sorting out symptoms: design and evaluation of the 'babylon check' automated triage system
babylon(巴比伦)
在寻求专业医疗护理之前,患者使用自动症状检查器等在线资源越来越普遍。许多这样的系统试图根据用户阐明的症状提供鉴别诊断,如果危及生命或肢体的状况是列表的一部分,则可能导致焦虑,这种现象被称为“cyberdisorder”。提供咨询的系统,而不是诊断,在哪里寻求帮助,同样受欢迎,并在我们看来,提供最有用的信息。在这份技术报告中,我们描述了如何通过计算建模这种分诊系统,如何将医疗见解转化为分诊流程,以及如何验证和测试这种系统。我们目前巴比伦检查,我们的商业部署的自动分流系统,作为一个案例研究,并说明其性能在一个大型的,半自然的部署研究。
2016-06-07 cs.AI cs.CY cs.HC
Semantic Similarity To Improve Question Understanding in a Virtual Patient
CEA, LIST(法国原子能与替代能源委员会信息技术与系统实验室);Faculté de Médecine Paris-Sud(巴黎南大学医学院)
在医学中,一个可以交流的虚拟病人或医生允许学生进行医学诊断的训练,并发展进行医学咨询的技能。在本文中,我们描述了一个会话虚拟标准化的病人系统,让医学生模拟腹部外科急诊的诊断策略。我们利用分布式单词表示所捕获的语义属性来搜索虚拟患者对话系统中的类似问题。我们创建了两个对话系统,并在学生测试期间收集的数据集上进行了评估。第一个系统基于手工制作的规则获得$92.29\%$作为所研究的临床病例的$F1$分数,而第二个系统结合规则和语义相似性实现$94.88\%$。与仅基于规则的系统相比,它表示$9.70\%$的错误减少。
2019-12-16 cs.AI cs.CL cs.CY
Segmentation, Classification, and Quality Assessment of UW-OCTA Images for the Diagnosis of Diabetic Retinopathy
LaTIM UMR 1101, Inserm(法国国家健康与医学研究院LaTIM UMR 1101实验室);University of Western Brittany(西布列塔尼大学);University of Electronic Science and Technology of China(电子科技大学);IMT Atlantique(大西洋国立高等矿业电信学院)
糖尿病视网膜病变(DR)是糖尿病的一种严重并发症,可导致失明。虽然存在有效的治疗方法(特别是激光)来减缓疾病的进展并防止失明,但最好的治疗方法仍然是通过眼科医生定期检查(至少每年一次)进行预防。光学相干断层扫描血管造影术(OCTA)可以非常详细地观察视网膜血管和微血管水平的脉络膜。这使得医生能够更精确地诊断DR。近年来,随着深度学习的发展和计算机硬件的改进,DR诊断的算法已经出现。然而,这些通常集中在视网膜摄影。目前还没有可以使用超宽OCTA(UW-OCTA)自动分析DR的方法。糖尿病视网膜病变分析挑战赛2022(DRAC 22)提供了一个标准化的UW-OCTA数据集,用于训练和测试各种算法在三项任务上的有效性:病变分割、质量评估和DR分级。在本文中,我们将介绍我们的解决方案的三个任务的DRAC 22的挑战。所获得的结果是有希望的,使我们能够将自己定位在分割任务的TOP 5,质量评估任务的TOP 4和DR分级任务的TOP 3中。代码可在\url{https://github.com/Mostafa-EHD/Diabetic_Retinopathy_OCTA}上获得。
2022-11-21 cs.CV cs.LG eess.IV
Think Like a Doctor: Conversational Diagnosis through the Exploration of Diagnostic Knowledge Graphs
Graduate School of Data Science, Seoul National University(数据科学研究生院,首尔国立大学)
本文提出一种通过探索诊断知识图谱进行对话诊断的系统,通过两步推理生成和验证诊断假设,提高诊断准确性和效率,并通过医生评估验证其临床实用性。
2026-09-02 cs.AI cs.CL
SWE-Doctor: Guiding Software Engineering Agents with Runtime Diagnosis from Multi-Faceted Bug Reproduction Tests
提出SWE-Doctor,通过生成多面缺陷复现测试并执行调试,构建运行时诊断记录,结合定位信息指导补丁生成,在SWE-bench Verified和Pro上平均解决率分别达75.7%和59.4%。
2026-07-02 cs.AI cs.SE
Do it Like the Doctor: How We Can Design a Model That Uses Domain Knowledge to Diagnose Pneumothorax
Drexel University(德雷塞尔大学)
医学影像的计算机辅助诊断是一个被广泛研究的领域,其目的是为医生提供实时决策支持系统。这些系统试图通过各种图像诊断技术(包括超声、X射线、MRI和CT)来检测和诊断过多的医疗状况。在为这些系统设计AI模型时,我们往往受到很少训练数据的限制,对于罕见的医疗条件,很难获得正面的例子。这些问题通常会导致模型表现不佳,因此我们需要一种方法来设计一个AI模型来克服这些限制。因此,我们的方法是将专家领域知识纳入AI模型的设计中。我们进行了两个定性的有声思维研究,医生培训的解释肺部超声诊断,以提取相关领域的知识,条件气胸。我们提取了用于诊断的关键特征和程序的知识。有了这些知识,我们采用知识工程概念为人工智能模型设计提出建议,以自动诊断气胸。
2022-05-24 cs.AI
Analogical Reasoning as a Doctor: A Foundation Model for Gastrointestinal Endoscopy Diagnosis
本文提出RATNet基础模型,通过类比推理提升胃肠内镜诊断的泛化能力与鲁棒性,在六个场景中超越现有模型,支持联邦学习隐私保护部署。
2026-04-07 cs.AI cs.CV
Performance of Clinical AI System and Physicians and Frontier Language Models in primary care diagnostics
A.I. Doctor Medical Assist LTD(A.I. Doctor Medical Assist有限公司)
本研究在150个合成初级保健咨询中比较了临床AI系统Doctorina、医生和前沿语言模型,发现Doctorina在诊断、检查及治疗评分上均优于医生,且结果可重复。
2026-09-09 cs.AI cs.CL cs.HC
Gender-Dependent Diagnostic Substitution in LLM Medical Triage: Same Symptoms, Unequal Urgency
研究大型语言模型在相同神经症状下,仅因患者性别和年龄不同而产生不同的分诊建议,发现年轻女性被系统性低估紧急程度,机制为诊断替代。
2026-06-02 cs.AI cs.CY
Decision Support for Intoxication Prediction Using Graph Convolutional Networks
Technische Universität München(慕尼黑工业大学);Johns Hopkins University(约翰斯·霍普金斯大学);Ludwig-Maximilians Universität München(慕尼黑大学)
每天,中毒控制中心(PCC)被要求立即分类和治疗建议,如果怀疑急性中毒。由于这些病例的时间敏感性,医生必须在最短的时间内提出正确的诊断和干预措施。通常毒素是已知的,可以相应地提出建议。然而,在具有挑战性的情况下,只提到症状,医生必须依靠他们的临床经验。医学专家和我们对中毒记录区域数据集的分析提供了证据,证明这是具有挑战性的,因为由于区域差异,评分者间差异和机构工作流程,发生的症状可能并不总是与教科书描述相匹配。计算机辅助诊断(CADx)可以提供决策支持,但迄今为止的方法不考虑报告病例的其他信息,如年龄或性别,尽管它们对正确诊断具有潜在价值。在这项工作中,我们提出了一种新的基于机器学习的CADx方法,该方法使用图卷积网络融合患者的症状和Meta信息。我们进一步提出了一种新的症状匹配方法,允许有效地将先验知识纳入学习过程,并明显稳定的毒物预测。我们验证了我们的方法对10名医生有不同的经验,诊断中毒的情况下,10种不同的毒素在慕尼黑的PCC,并显示我们的方法的优势,在中毒预测的性能。
2020-05-02 cs.AI cs.LG
Conversational Disease Diagnosis via External Planner-Controlled Large Language Models
Zhejiang Lab(浙江大学实验室);Transtek Medical Electronic(深圳迈迪特医疗电子);Zhejiang University(浙江大学)
针对大语言模型不擅长主动收集患者数据的问题,本研究提出含两个外部规划器的LLM诊断系统,分别用强化学习做筛查初诊、用LLM解析指南做鉴别诊断,在真实病历模拟对话中表现优异,推动AI融入临床。
2024-05-20 cs.AI cs.CL
DoPI: Doctor-like Proactive Interrogation LLM for Traditional Chinese Medicine
Tianjin University(天津大学);The Chinese University of Hong Kong(香港中文大学);China Electronics Technology Group Corporation Limited(中国电子科技集团有限公司)
针对当前LLM在中医诊断中多轮对话与主动提问的局限,提出DoPI系统,通过引导模型(基于知识图谱动态提问)与专家模型(提供诊断方案)的协同架构,结合自建数据集与新评估方法,实现84.68%的问诊准确率,提升诊断沟通能力与专业性。
2025-07-07 cs.AI
Bayesian Patchworks: An Approach to Case-Based Reasoning
University of Miami(迈阿密大学);Duke University(杜克大学)
医生常常依靠过去的经验来诊断病人。对于一个经验丰富的医生来说,几乎每一个病人,都和过去的关键病例有相似之处,每一个新的病人,都可以看作是这些关键病例的混合体。因为医生往往倾向于这样的推理,一个高效的计算辅助诊断工具,以同样的方式思考,可能有助于定位关键的过去感兴趣的情况下,可以帮助诊断。本文开发了一种新的数学模型来模仿医生在考虑过去的病例时使用的逻辑思维类型。所提出的模型还可以为医生提供类似于他们自然推理病例的解释。所提出的方法旨在产生预测准确性,计算效率和对医疗数据的洞察;关键要素是对医疗数据的洞察,在某种意义上,我们正在自动化医生可能手动执行的复杂过程。我们最终在两个公开的医疗数据集上实现了这项工作的结果,用于心脏病预测和乳腺癌预测。
2018-09-10 cs.AI cs.LG stat.ML
A Two-Stage Proactive Dialogue Generator for Efficient Clinical Information Collection Using Large Language Model
Stevens Institute of Technology(史蒂文斯理工学院);Nokia Bell Labs(诺基亚贝尔实验室)
针对医患信息采集效率低的问题,提出融合两阶段推荐结构、排序标准与交互式患者智能体的大语言模型驱动诊断对话系统,可多轮采集诊断信息,在真实数据集上表现出良好的流畅性、专业性与安全性。
2024-10-02 cs.AI cs.CL
ProMRVL-CAD: Proactive Dialogue System with Multi-Round Vision-Language Interactions for Computer-Aided Diagnosis
Stevens Institute of Technology(史蒂文斯理工学院);Nokia Bell Labs(诺基亚贝尔实验室)
针对LLM生成的医患交互与实际咨询存在差距的问题,提出ProMRVL-CAD系统,通过知识图谱集成、双生成器设计提升报告质量,在两个数据集上表现更优且低图像质量下稳健,还构建了合成对话数据集。
2025-02-15 cs.AI
Toward the Autonomous AI Doctor: Quantitative Benchmarking of an Autonomous Agentic AI Versus Board-Certified Clinicians in a Real World Setting
Doctronic Research Group(Doctronic研究组);University of California San Francisco(加州大学旧金山分校)
针对全球医疗人力短缺问题,研究验证多智能体AI系统Doctronic在虚拟急诊中的表现,发现其诊断、治疗方案一致性高,部分表现优于人类医生,为缓解医疗人力不足提供潜在方案。
2025-06-27 cs.AI cs.CL cs.HC
CDEG: Learning Decision-Critical Evidence for Long-Horizon Diagnostic Agents
本研究提出基于图的框架CDEG,通过对比同一病例的成功与失败轨迹、受控反事实干预等学习决策关键证据,在多基准测试中使长程诊断智能体准确率最高提升11.5%。
2026-10-15 cs.AI
Towards Trust of Explainable AI in Thyroid Nodule Diagnosis
Friedrich-Alexander-Universität Erlangen-Nürnberg(埃尔朗根-纽伦堡弗里德里希-亚历山大大学);Quy Nhon AI, FPT Software(FPT软件归仁人工智能部)
向最终用户解释深度学习模型预测的能力是利用人工智能(AI)的力量进行医疗决策过程的重要功能,这通常被认为是不透明的,难以理解。在本文中,我们应用最先进的可解释人工智能(XAI)方法来解释黑盒AI模型在甲状腺结节诊断应用中的预测。我们提出了新的基于神经网络的XAI方法,即核密度估计和密度图,以解释没有检测到结节的情况。XAI方法的性能被认为是在定性和定量的比较作为反馈,以提高数据质量和模型性能。最后,我们调查评估医生和患者对XAI解释甲状腺结节图像模型决策的信任。
2023-03-08 cs.AI cs.CV
MPD$^2$-Router: Mask-aware Multi-expert Prior-regularized Dual-head Deferral Router in Glaucoma Screening and Diagnosis
Baruch college(巴克莱学院)
本文提出MPD$^2$-Router,通过结合双头延迟/分配策略和掩码感知的Gumbel-sigmoid门控,解决青光眼筛查中专家资源分配问题,提升诊断准确率并降低临床成本。
2026-05-08 cs.AI
Diagnosis and Prognosis of COVID-19 Disease Using Routine Blood Values and LogNNet Neural Network
Erzincan Binali Yıldırım University(埃尔津詹比纳利耶尔德勒姆大学);Petrozavodsk State University(彼得罗扎沃茨克国立大学)
自二零二零年二月以来,全球一直在与COVID-19疫情进行激烈斗争,随着疫情演变为大流行,卫生系统承受了巨大压力。本研究的目的是使用LogNNet水库神经网络的后向特征消除算法获得COVID-19诊断和预后中最有效的常规血液值(RBV)。该研究的第一个数据集由总共5296名患者组成,这些患者的COVID-19检测阴性和阳性数量相同。LogNNet模型在46个特征的疾病诊断中达到了99.5%的准确率,仅平均红细胞血红蛋白浓度、平均红细胞血红蛋白和活化部分凝血酶原时间的准确率为99.17%。第二个数据集共包括3899名确诊为COVID-19并在医院接受治疗的患者,其中203名为重症患者,3696名为轻度患者。该模型用48个特征判断疾病预后的准确率为94.4%,仅用血沉、中性粒细胞计数和C反应蛋白特征判断疾病预后的准确率为82.7%。我们的方法将减少对卫生部门的负面压力,并帮助医生利用关键特征了解COVID-19的发病机制。该方法有望在物联网中创建移动健康监测系统。
2022-06-29 cs.AI cs.LG physics.med-ph
PatientVLM Meets DocVLM: Pre-Consultation Dialogue Between Vision-Language Models for Efficient Diagnosis
本文提出预咨询对话框架,通过视觉语言模型模拟医生与患者对话,利用合成症状提升诊断效率。
2026-01-16 cs.AI cs.CL cs.CV
Learning to Be A Doctor: Searching for Effective Medical Agent Architectures
AGI Lab, Westlake University(西拉雅大学AGI实验室);Henan University(河南大学);Affiliated Hospital of Xuzhou Medical University(徐州医科大学附属医院);Xuzhou Medical University(徐州医科大学);Nanyang Technological University(南洋理工大学);IHPC, Agency for Science, Technology and Research, Singapore(新加坡科技研究局IHPC);CFAR, Agency for Science, Technology and Research, Singapore(新加坡科技研究局CFAR)
本文提出首个全自动医疗智能体架构设计框架,通过分层搜索空间动态适应工作流并利用诊断反馈迭代自我改进,显著提升了皮肤病诊断准确率。
2025-08-15 cs.AI
Methodology and Real-World Applications of Dynamic Uncertain Causality Graph for Clinical Diagnosis with Explainability and Invariance
本文介绍了动态不确定因果图(DUCG)在临床诊断中的方法学与实际应用,通过46个覆盖54个主诉的模型实现超过1,000种疾病的高精度可解释诊断,并在超百万例真实病例中仅发现17例误诊,同时提出医学检查推荐算法。
2024-06-09 cs.AI cs.HC cs.LG