May, 2023

使用大型语言模型生成医学准确的患者 - 医生对话摘要：一种多阶段方法

PDF
TL;DR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。
medical conversation summarizationdialogue-understanding tasksgpt-3summarization metricsclinical accuracy
发现论文，激发创造
  • Dr. Summarize: 利用本地结构全局总结医学对话

    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

  • 基于 Medically Aware GPT-3 的医学对话摘要数据生成器

    通过利用 GPT-3 作为算法骨干并采用低样本学习和集成方法，我们介绍了一种算法来创建合成训练数据，以明确关注捕捉医学相关信息，结果相当于采用 6400 个人标记的示例，能够制作出高质量的摘要，就医学准确性和连贯性而言，这种方法产生的摘要明显优于单纯使用人工标记数据进行训练的模型生成的摘要。

    Sep, 2021

  • MEDIQA-Chat 2023 中的 SummQA：使用 GPT-4 进行上下文学习的医学摘要

    研究围绕通过两阶段方法和使用 GPT-4 模型进行对话摘要，通过比较与基线的性能表现发现 few-shot prompting 的有效性，但是也指出了它的一些局限性。

    Jun, 2023

  • 卓越总结者的眼睛是经验和证据！走向融合知识的多模态临床对话总结

    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

  • 通过提示调整的大型语言模型进行医患对话的自动摘要

    通过 prompt 调整，使用生成式大型语言模型（LLMs）概括医生与患者对话，证明了生成式临床 LLMs 调整对于医学自动文摘系统的效率。

    Mar, 2024

  • 基于数据的方法生成忠实和高质量的患者总结（利用大型语言模型）

    使用大型语言模型生成基于医生笔记的患者摘要，研究训练数据对生成摘要的准确性和质量的影响，使用对幻觉的严格标注协议，评估基于 Llama 2 和 GPT-4 的生成摘要的幻觉现象及相关信息。

    Feb, 2024

  • 医学对话的实时语音摘要

    医患对话总结在识别与医学相关的信息中至关重要，本研究首次提出了用于工业实际应用的实时语音总结系统，并在会话中每 N 个语音表达后生成局部总结和会话结束后生成全局总结。我们的系统可以从商业角度提升用户体验，同时从技术角度降低计算成本。此外，我们还提出了第一个用于医学对话的语音总结数据集 VietMed-Sum，并首次利用 LLM 和人工标注者共同创建了医学对话总结的黄金标准和合成总结。最后，我们给出了 VietMed-Sum 上最先进模型的基准结果。在线上可以获取所有代码、数据（英语翻译和越南语）和模型。

    Jun, 2024

  • 使用 GPT-3 对医学证据进行总结、简化和综合（成功率不同）

    本文使用专业医学人士对 GPT-3 生成的医学文章摘要进行了评估，发现 GPT-3 虽然能够忠实地总结和简化单篇生物医学文章，但在多篇文章发现的证据综合方面存在困难。

    May, 2023

  • 面向临床会诊摘要：从先前的笔记中学习撰写出院摘要

    介绍了为临床诊断过程生成出院小结的任务，该任务需要忠实、可追溯，并适用于多个长文档，因此推动了采用提取 - 摘要级联的文本摘要方法。提出了两个新的度量方式：忠诚度和臆断率，补充了流畅度和信息性等现有度量方式。结果显示，支持可追溯性的文本摘要结构提供了有希望的结果，并且一种句子重写的方法在生成的多个部分上对于忠实度调整 $F_3$ 的度量表现一致。

    Apr, 2021

  • 使用大型语言模型从医生 - 患者对话中生成临床笔记：来自 MEDIQA-Chat 的见解

    本文介绍了我们在 MEDIQA-Chat 2023 共享任务中对于从医生 - 患者对话自动生成临床笔记的提交。我们报道了两种方法的结果：第一种微调共享任务数据上的预训练语言模型（PLM），第二种使用大型语言模型（LLM）进行少量样本的上下文学习（ICL）。两种方法在自动指标（如 ROUGE，BERTScore）上均实现了高性能，并分别排名共享任务的二和一位。专业人士的审查表明，通过基于 ICL 的方法和 GPT-4 生成的笔记与人工书写的笔记一样受欢迎，这使其成为从医生 - 患者对话自动生成笔记的有前途的途径。

    May, 2023