Goal: Digital Doctor is a doctor assistant bot, which can help doctor to improve self ability and also answer patients questions automatically
Demo:
- Auto QnA: http://msraml.cloudapp.net/home/manage.html
- Medical KB: http://msraml-s004:2521/
Techniques：
KB Construction
- 知识字典建立
- 问题： 对疾病，症状，药品，检查，治疗，医院，科室等名词建立字典
- 难点：信息抽取与结构化，同一名词不同说法的学习（专用语，通用语）
- 对应技术：
- Kable: 信息抽取与结构化
- Enterprise Dict APIs
- 可借用技术：Translation
- 关系知识图谱建立
- 问题：建立疾病，症状，用药，检查，治疗，科室，医院的关系知识图谱
- 难点：显式与隐式关系抽取与学习
- 对应技术：
- 显式：Kable + RNN/CRF
- 隐式 : Conceptualization + DNN
- E.g. 药品冲突，易混淆疾病
- 知识文档索引
- 问题：将医学文档信息，如临床指南，个人问答数据分类到知识图谱对应位置建立索引
- 难点：文本语句，段落，章节分割索引
- 对应技术
- Kable – QA Mining （Explicit + Implicit）
- 可借用技术：Malta, Doc chat
KB Calculation
- 长文本问题理解
- 问题： 因医疗问题较长，长文本问题的意图与上下文理解作为输入层第一步
- 难点：问题意图ontology, schema建立，在线意图识别
- 对应技术：
- 问题意图识别（NER, Semantic Clustering etc., knowledge based text classification）
- 可借用技术：LUIS (需中文)，Entity Linking
- 交互式问题理解
- 问题：很多医疗问题需多轮交互且医生主导，如何建立多轮交互了解用户意图
- 难点：基于知识图的有条件知识学习数据来源
- 对应技术：
- Conditional Knowledge Learning (CIKM16)
- 可借用技术：conversation bot
- 信息检索
- 问题：理解用户意图与上下文后，结合知识图谱的推理与文本索引寻找答案
- 难点：知识图谱索引推理与文本检索的混合检索模型
- 对应技术
- 子图定位，语义检索，混合排序、
Application
- 主动知识学习的交互
- 问题： 作为知识库学习的一部分，如何通过大数据分析主动向人类专家提问，并补充进知识库
- 难点：问题筛选与生成
- 对应技术：
- 文本聚类，排序（Kable2.0 范畴）
- 被动服务中与用户的交互
- 问题：如何看懂用户需求并返回用户看得懂的答案，可能需要多轮交互
- 难点：专业术语对通俗语言的翻译
- 对应技术：
- Metaphor Learning
- 可借用技术：
- Personality
- QnA
- 服务交互中的主动推荐
- 问题：如何根据用户输入及上下文信息，基于知识库给出合理健康建议及不合理行为提醒
- 难点：基于上下文和知识库的推荐
- 对应技术
- Context aware recommendation engine