Enhancing Medical Dialogue Generation through Knowledge Refinement and Dynamic Prompt Adjustment

要約

医療対話システム（MDS）は、患者とのマルチターン、コンテキストを意識した会話を可能にするための重要なオンラインプラットフォームとして浮上しています。
ただし、既存のMDは、（1）関連する医療知識を特定し、（2）パーソナライズされた医学的に正確な反応を生成するために苦労しています。
これらの課題に対処するために、知識の精製と動的な迅速な調整を組み込んだ新しいMDSであるMedRefを提案します。
まず、知識精製メカニズムを採用して、無関係な医療データを除外し、反応における重要な医療エンティティの予測を改善します。
さらに、歴史的な詳細と明白な詳細を組み込んだ包括的なプロンプト構造を設計します。
多様な患者の状態にリアルタイムの適応性を有効にするために、2つの重要なモジュール、トリプレットフィルターとデモセレクターを実装し、システムプロンプトに適切な知識とデモンストレーションを提供します。
MEDDGおよびKamedベンチマークに関する広範な実験は、MEDREFが生成品質と医療エンティティの両方の精度の最先端のベースラインを上回り、実際のヘルスケアアプリケーションの有効性と信頼性を強調することを示しています。

要約(オリジナル)

Medical dialogue systems (MDS) have emerged as crucial online platforms for enabling multi-turn, context-aware conversations with patients. However, existing MDS often struggle to (1) identify relevant medical knowledge and (2) generate personalized, medically accurate responses. To address these challenges, we propose MedRef, a novel MDS that incorporates knowledge refining and dynamic prompt adjustment. First, we employ a knowledge refining mechanism to filter out irrelevant medical data, improving predictions of critical medical entities in responses. Additionally, we design a comprehensive prompt structure that incorporates historical details and evident details. To enable real-time adaptability to diverse patient conditions, we implement two key modules, Triplet Filter and Demo Selector, providing appropriate knowledge and demonstrations equipped in the system prompt. Extensive experiments on MedDG and KaMed benchmarks show that MedRef outperforms state-of-the-art baselines in both generation quality and medical entity accuracy, underscoring its effectiveness and reliability for real-world healthcare applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google