本文提出了一种基于强化学习的抽象式问题摘要框架，该框架通过 downstream 任务中的问题类型识别和问题重点识别得到两个新颖的奖励来规范问题生成模型，从而确保问题摘要的语义有效并鼓励包含关键的医疗实体 / 重点。作者在两个基准数据集上对其所提出的方法进行了评估，并取得了比现有模型更高的性能。手动评估总结结果表明生成的问题更具多样性且不具备基线总结的不准确性。

Jul, 2021

本研究提供了一个包含消费者健康问题答案的问答驱动摘要集 MEDIQA Answer Summarization dataset，可用于评估抽取式或抽象式算法生成的单个或多个文档，展示了基线和最新深度学习总结模型的结果，并推动医学问题回答中的机器学习研究。

May, 2020

为了解决消费者在网络上描述医疗需求时使用过度描述性和周边信息，从而导致自然语言理解困难的挑战，我们介绍了一个新的数据集 CHQ-Summ，其包含 1507 个专业领域的消费者健康问题及相应摘要。同时，我们在多个最先进的摘要模型上对该数据集进行了基准测试，展示了其有效性。

Jun, 2022

通过知识引导和语义自监督方法，引入了一个医疗问题理解和回答系统，该系统可以对较长、详细和非正式措辞的患者提出的问题（称为 “消费者健康问题”）进行处理。

Sep, 2022

我们的研究关注于健康答案的基于方面的总结，以解决信息不全的问题。我们提出了一个多阶段的注释指南和一个独特的数据集，包括基于方面的人工编写的健康答案总结。我们利用该数据集构建了一个自动化的多方面答案总结流程，使用了几种最先进的模型进行特定任务的微调。该流程利用问题相似性检索相关的回答句子，然后将其分类为适当的方面类型。接下来，我们使用几种最新的抽象总结模型生成基于方面的总结。最后，我们进行了全面的人工分析，发现我们的总结在捕捉相关内容和各种解决方案方面排名靠前。

May, 2024

电子健康记录的总结可以极大地减少患者和医务人员的 “屏幕时间”。近年来，通过使用最先进的神经模型，电子健康记录的总结已经采用了机器学习流程。然而，这些模型产生了不够令人满意的结果，这要归因于很难获取足够的注释数据进行训练。此外，考虑到电子健康记录的整个内容在总结中的要求，由于现代大型语言模型（LLMs）中的注意机制增加了二次复杂度，导致性能较差。我们在此提出了一种方法，通过结合语义搜索、检索增强生成（RAG）和使用最新的 LLMs 的问答方法来减轻这些缺点。在我们的方法中，总结是根据专业学科专家（SMEs）认为的重要问题的答案的提取。我们的方法非常高效；几乎不需要训练；不会受到 LLMs 的 “幻觉” 问题的困扰；而且可以确保多样性，因为总结中不会有重复的内容，而是针对特定问题的多样答案。

Jan, 2024

该论文提出了一种基于实体驱动对比学习（ECL）的医学问题总结框架，以更准确地理解消费者意图和检索合适的答案，同时解决了数据泄露问题和正确捕捉语义意图的挑战。

Apr, 2023

通过添加领域特定本体信息增强内容选择和摘要生成，我们的序列到序列抽象式摘要模型的应用于放射学报告数据集，能够显著优于当前最先进的方法，同时经过放射学家的人类评估，表明该方法生成的摘要不太可能省略重要细节，而且读起来依然具有可读性和准确性。

May, 2019

本研究旨在通过采用课程学习方法，结合基于 Transformers 模型的自动生成摘要技术，从 Reddit 社交媒体上的心理健康相关帖子中提取性问题，从而提高医生的阅读效率和准确性，为人们提供更及时有效的心理卫生服务。相较于目前已有的模型，本方法在 Rouge 和 Bertscore 评估指标上分别有显著的相对改进。

Feb, 2023

本研究提出了基于问题回答模型的 QFS-BART 模型，通过显式的答案相关性，生成连贯且与答案相关的摘要，并在 Debatepedia 数据集上取得了最新的最优性能。

May, 2021