关注医学本体：临床抽象摘要的内容选择
计算与语言
2020-05-04 v1
摘要
序列到序列（seq2seq）网络是文本摘要任务中一个成熟的模型。它能够学习生成可读的内容；然而，在有效识别源文本关键区域方面存在不足。在本文中，我们通过将显著的本体术语增强到摘要器中，来解决临床抽象摘要的内容选择问题。我们在两个公开可用的临床数据集（MIMIC-CXR的107,372份报告，以及OpenI的3,366份报告）上的实验表明，我们的模型在Rouge指标上 statistically significantly 提升了最先进的结果（提升幅度：RG-1 2.9%、RG-2 2.5%、RG-L 1.9%），在医疗领域任何幅度的提升都会影响患者福祉。
引用
@article{arxiv.2005.00163,
title = {Attend to Medical Ontologies: Content Selection for Clinical Abstractive Summarization},
author = {Sajad Sotudeh and Nazli Goharian and Ross W. Filice},
journal= {arXiv preprint arXiv:2005.00163},
year = {2020}
}
备注
Accepted to ACL 2020