Dr. Summarize：利用局部结构进行医疗对话的全局摘要

理解患者与医生之间的医疗对话提出了一种独特的自然语言理解挑战，因为它将标准开放式对话的元素与需要专业知识和医学知识的特定领域元素结合在一起。医疗对话的摘要是医疗对话理解中特别重要的一方面，因为它满足了医疗实践中一个非常实际的需求：捕捉医疗就诊中最关键的方面，以便用于医疗决策和后续随访。在本文中，我们提出了一种新颖的医疗对话摘要方法，该方法利用了在收集患者病史时所形成的独特且独立的局部结构。我们的方法是指针生成网络（pointer generator network）的一种变体，其中我们对生成器分布引入了惩罚，并显式地对否定进行建模。该模型还比显式引入医学概念时更好地捕捉了医疗对话的重要特性，例如来自标准化医学本体的医学知识。通过医生的评估，我们表明我们的方法在两倍数量的摘要上优于基线指针生成模型，并在80%的对话中捕捉了大部分或所有信息，使其成为医学专家昂贵人工摘要的可行替代方案。