ConTextual：用于临床文本摘要的上下文保留标记过滤与知识图谱

非结构化临床数据可作为唯一且丰富的信息来源，可为临床实践提供有意义的指导。从此类数据中提取最关键上下文对于充分发挥其在患者护理中的潜力至关重要。虽然先前研究探索了 various 方法用于临床文本摘要，但大多数先前研究要么对所有输入标记统一处理，要么依赖基于启发式的过滤器，这可能会忽略细微的临床线索，无法优先处理对决策至关重要的信息。本研究提出 Contextual，一种新型框架，集成了 Context-Preserving Token Filtering 方法与特定领域的知识图谱 (KG) 用于上下文增强。通过保持特定上下文的重要标记并以结构化知识丰富它们，ConTextual 改进了语言连贯性和临床忠实度。我们的广泛实证评估表明，ConTextual 在两个公共基准数据集上 consistently 优于其他基线方法。我们的方法突显了标记级过滤和结构化检索在增强语言和临床完整性方面的互补作用，并提供了一种可扩展的解决方案，用于提高临床文本生成的精度。