Jun, 2023

IUTEAM1 在 MEDIQA-Chat 2023 中：简易调整是否对临床对话的多层摘要有效？

PDF
TL;DR本研究旨在分析总结模型集合的方法，以提高医疗报告的总体准确性，虽然每个部分专门使用总结模型的总体准确性更高，但多层 / 阶段方法并不能提高准确性。
clinical conversation summarizationnatural language processingmedical reportsummarization modelensemble
发现论文，激发创造
  • CUED 在 ProbSum 2023 的分层摘要模型集成

    本文提出了将 Clinical-T5 和 Hierarchical Ensemble of Summarization Models 与 Minimum Bayes Risk 解码相结合来改善医疗笔记摘要的性能，实现了在共享任务领先的 ROUGE-L32.77

    Jun, 2023

  • 利用聚合的大型语言模型集合保留长期临床文本的知识

    利用聚合集成的大型语言模型的新方法，能够保留长篇临床文本的知识，改善大型语言模型在处理长篇输入和多样化数据集时的性能，并在预测临床结果方面取得了比基线、集成和聚合方法更好的结果。

    Nov, 2023

  • GersteinLab 参加 MEDIQA-Chat 2023：通过微调和上下文学习从医患对话中进行临床笔记总结

    本文利用 GPT-3 和 GPT-4 两种方法，并使用 RoBERTa 和 SciBERT based classification models，以 MEDIQA-2023 Dialogue2Note shared task 为案例，解决对话摘要的问题，并在 ROUGE-1 F1, BERTScore F1 (deberta-xlarge-mnli) 以及 BLEURT 等指标上表现良好，代码可供使用。

    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

    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

  • 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

  • 面向领域的去噪序列到序列模型微调在自然语言摘要中的应用

    通过自然语言处理技术，对长文本数据进行自动摘要，采用数据增强和微调等策略进行优化，可以大幅提高摘要的准确性，本文采用最先进的 NLP 模型 BART 进行研究，并提供了一种端到端的优化策略，使得在金融、医疗或其他特定领域的数据上，其 ROUGE-1 指标达到了绝对提升 5-6% 的水平。

    Apr, 2022

  • 临床文本摘要：大型语言模型的应用能超越人类专家

    在本研究中，我们采用八个大型语言模型，在六个数据集和四个不同的摘要任务（放射学报告、患者问题、进展记录和医生 - 患者对话）上应用领域适应方法，系统评估了它们的效果，而且展示出最佳适应的大型语言模型的摘要相较于人工摘要在完整性和正确性方面更可取。此外，我们还将传统的自然语言处理指标与医生评分进行了相关性分析，以提高对这些指标与医生喜好的理解。最终，我们的研究证明了大型语言模型在多个临床文本摘要任务中超越人工专家，这意味着将大型语言模型整合到临床工作流程中可以减轻文档负担，使临床医生能够更多关注个性化患者护理和其他医学中不可替代的人工环节。

    Sep, 2023

  • MS2: 医学研究的多文档摘要

    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

  • 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

  • 具有对话结构的多视角序列到序列模型用于摘要对话总结

    本研究提出了一种多视角序列到序列模型，其通过提取来自不同视角的非结构化日常聊天中的会话结构来表示会话，然后利用多视角解码器来合并不同视角生成对话摘要，在大规模对话摘要语料库上的实验结果表明，本研究方法在自动评估和人类判断方面均明显优于之前的最新模型。

    Oct, 2020