医疗文件摘要调查
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
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
本文回顾了近期基于深度学习的多文档摘要模型,提出了新的分类方法以及对这个领域的现状进行了综合总结,并且强调了现有文献中很少讨论的各种目标函数之间的区别,最后对未来发展方向提出了几个建议。
Nov, 2020
本文系统总结了使用预训练语言模型( Pre-trained language models)的生物医学文本摘要的最新进展、挑战问题和未来方向,帮助我们更好地理解该领域的最新进展和使用预训练语言模型在生物信息学中的应用。
Apr, 2023
本文详细介绍了文本摘要的各种方法,包括提取和抽象两种途径,评估指标、基准数据集与未来的研究展望,并讨论了生成摘要的不同评估方法与相关研究中可能出现的挑战和研究机遇。
Mar, 2022
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
本研究使用 GPT-3 模型,将医学对话摘要问题离散成多个对话理解任务,并动态构建少样本提示进行实验,开发了基于 GPT 的度量标准,评估任务性能,经过研究评价证实,此方法生成的摘要临床准确性优于基准方法。
May, 2023
近年来,深度学习通过能够学习语言数据的复杂表示方式从而在自然语言处理中带来了革命性的变化,深度学习模型广泛应用于提升多种自然语言处理任务的性能。本文综述了近年来流行的文本摘要任务,包括抽取式、生成式、多文档等,并讨论了相关的深度学习模型以及其在这些任务上的实验结果,同时涵盖了摘要任务的数据集和数据表示,以及与之相关的机遇和挑战,旨在激发未来的研究努力以进一步推动该领域的发展。研究目标在于解释这些方法在其需求上的不同之处,因为对它们的理解对于选择适用于特定环境的技术至关重要。
Oct, 2023
本文提出一种基于指针生成网络的医疗对话摘要方法,该方法对医疗本体的使用进行了优化,能够很好地捕捉患者病史中的本地结构,获得了医生的青睐,是一种替代手动摘要方法的现实选择。
Sep, 2020
该研究提出了一种基于文献摘要的新方法来预测临床试验干预措施的有效性。通过抽取摘要中表达干预措施有效性的句子,生成一个简洁的摘要,用于训练 BERT 分类器以预测干预措施的有效性。实验结果证明了该方法的有效性。
Apr, 2022