TrialsSummarizer 是一个基于神经多文档摘要系统的自动摘要系统，它可以检索与查询指定的条件、干预和结果匹配的随机对照试验出版物，并对这些研究进行排名。它提供了两种体系结构：基于 BART 的标准序列到序列模型和旨在为最终用户提供更大透明度的多头体系结构。但是，这些模型都存在引入不受支持语句的倾向，不适用于当前领域。所提出的架构可以帮助用户验证输出，使用户能够将生成的令牌追溯到输入。

Mar, 2023

本研究中，我们探讨了使用现代神经模型从多个试验报告中自动生成叙述性生物医学证据摘要的问题，并使用 Cochrane 协作成员先前进行的系统性评论的相关文章摘要的抽象概述来评估现代神经模型进行抽象总结的效果。我们征求了医学专业人员对生成的摘要进行评估，并发现现代总结系统产生了一致流畅和相关的概述，但并非总是准确。我们提出新的方法通过明确划分传达关键发现的输入片段、强调大规模和高质量试验报告等领域特定的模型来信息摘要，发现这些策略适度提高了生成摘要的准确性。最后，我们提出了一种新的方法来自动生成叙述性证据综述的事实性评估，使用可推断报道发现方向的模型。

Aug, 2020

本文介绍了一种新的任务和语料库，通过全文文章描述随机对照试验 (RCT) 的方式，推断与给定干预、比较和预期结果相关的报告发现，结果表明这项任务的困难性主要归因于长篇的技术性输入文本。

Apr, 2019

本研究针对医学干预方案的评估，提供了一个达到自动评估医学文献、整合多个研究结果的新数据集：MS^2。并基于 BART 模型，通过自由文本和结构化形式，提出了用于评估自动生成摘要质量的新指标。

Apr, 2021

通过使用 GPT-3.5，我们创建了一个名为 CliniDigest 的批处理临床试验摘要工具，它是我们所知道的第一个能够提供实时、真实和全面的临床试验摘要的工具。CliniDigest 可以将高达 85 个临床试验描述（约 10,500 个字）减少到一个简洁的 200 字摘要，并附带参考文献和有限的虚构元素。我们已经在 27 个医学子领域分别对 457 个试验进行了 CliniDigest 的摘要测试，每个领域的摘要平均包含 153 个字，平均利用源文献中的 54%，更全面的评估计划在本文中进行了概述。

Jul, 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

运用生成型人工智能技术对科学论文的摘要进行总结，以减轻基层医疗人员的认知负担并提高文献阅读效率。研究结果表明，使用生成型人工智能生成的短摘要可显著降低回答与摘要内容相关问题所需时间，但在无完整摘要可用的情况下，提取知识的准确性明显降低，需要进一步的发展来提高理解能力。

Jul, 2023

通过多模态、多任务的医学领域识别和临床对话摘要生成 (MM-CliConSummation) 框架，本文提出了一种知识注入的、多模态的、多任务的临床对话摘要生成任务，旨在通过适配器融合知识和视觉特征，并使用门机制统一融合特征向量，将医生 - 患者交互 (包括文本和视觉信息) 生成简明扼要的摘要。在大量的定量和定性实验中，得出了以下结果：(a) 视觉信息的重要性；(b) 更精确且保留医学实体的摘要；(c) 医学部门识别与临床摘要生成之间的相关性。

Sep, 2023

为了优化临床试验的设计，我们提出了一种新的临床试验结果预测（CTRP）任务，并利用大规模非结构化结构的医学文献中的语句隐含地包含 PICO 和结果的证据，预训练模型在下游数据集上进行微调得到更好的表现，针对 COVID-19 的另一个数据集也验证了性能提升。

Oct, 2020

SciBERTSUM 是一种针对科学论文的摘要框架，通过增加节嵌入层和应用稀疏注意力机制，在长文本（超过 500 句）中表现出更好的 ROUGE 分数。

Jan, 2022