一种新颖的方法：用于理解医生决策过程，并在大型语言模型支持的医疗对话生成中优化潜在主题的表达

《IEEE Transactions on Neural Networks and Learning Systems》：A Novel Approach for Perceptions of Physician Decision-Making and Latent Topic Refinement in Large Language Model-Enhanced Medical Dialog Generation

医疗对话系统（MDS）在精准诊断和流程优化中发挥关键作用，但仍面临响应泛化、语义模糊及主题提取不准等挑战。本文提出TRL-HMIE模型，通过对话主题分类器、多头注意力机制和强化学习奖励融合三方面改进，实现医疗多源信息的高效提取与精准语义生成，在MedDG和MedDialog数据集上较基准模型提升6.07%性能。

　　

摘要：

医学对话生成（MDG）技术的迅速发展使得医学对话系统（MDS）能够通过整合多样化的医学信息，生成富含医学专业知识的高质量响应。然而，这些系统仍然面临一些挑战，包括通用响应生成、语义精度不足以及对话主题提取不准确等问题。本研究旨在设计一种新型模型来同时解决这些挑战。为此，我们提出了TRL-HMIE模型，该模型结合了变换器强化学习（RL）机制用于异构医学信息的提取。具体来说，我们采用了与变换器相关的GPT-3模型作为参考语言模型。我们的改进主要集中在三个方面：首先，我们开发了一个对话主题分类器，以精确地对对话主题进行分类，从而支持对话主题定位模块生成可靠的对话主题；其次，模型采用了多头注意力机制来捕获对话上下文中的关键信息，有助于提取关键对话内容并提高异构信息提取的准确性；最后，模型将RL机制与奖励融合机制相结合，结合其处理多源信息和长对话上下文的能力，为TRL-HMIE模型生成优化的奖励，从而鼓励生成具有精确语义和对话主题的医生响应。实验结果表明，与基准模型相比，该方法在MedDG和MedDialog数据集上的性能提升了6.07%。

引言

医学对话系统（MDS）旨在随时随地与患者建立无缝沟通。随着MDS的快速发展，医学领域的相关应用也得到了显著推进[1]，例如电子病历生成和自动化疾病诊断。通过分析症状和情绪，MDS可以探究症状和疾病的根本原因，而不仅仅是基于患者的描述，最终帮助医生做出精准的诊断[2]、[3]、[4]、[5]。通过参与症状询问、提出诊断建议并推荐合适的治疗方案，MDS收集了关于患者病情的重要信息，有助于医疗专业人员更好地了解患者的需求。该系统简化了医生的诊断流程，减少了理解患者病情所需的时间，减轻了医务工作者的工作负担[6]、[7]。