临床放射学报告抽象摘要模型的比较分析
计算与语言
2025-06-23 v1
摘要
放射学报告的发现段通常详尽且篇幅较长，而印象段则相对简洁，概括了关键诊断结论。本研究探索了使用先进的抽象摘要模型从放射学报告的发现段生成简洁的印象段。我们使用了公开可用的 MIMIC-CXR 数据集。对领先的预训练和开源大型语言模型进行了比较分析，包括 T5-base、BART-base、PEGASUS-x-base、ChatGPT-4、LLaMA-3-8B 以及一个带覆盖机制的自定义指针生成网络。为确保全面评估，采用了多种评估指标，包括 ROUGE-1、ROUGE-2、ROUGE-L、METEOR 和 BERTScore。通过分析这些模型的性能，本文识别了它们在医学文本摘要方面的各自优势与局限。本文的发现为需要医疗保健领域自动摘要解决方案的医疗专业人员提供了有用的信息。
引用
@article{arxiv.2506.16247,
title = {Comparative Analysis of Abstractive Summarization Models for Clinical Radiology Reports},
author = {Anindita Bhattacharya and Tohida Rehman and Debarshi Kumar Sanyal and Samiran Chattopadhyay},
journal= {arXiv preprint arXiv:2506.16247},
year = {2025}
}
备注
14 pages, 2 figures, 6 tables