FactReranker：基于事实引导的重排序器用于忠实放射学报告摘要

自动放射学报告摘要是一项关键临床任务，其核心挑战在于保持生成摘要与真实放射学发现间的事实准确性。现有研究采用强化学习直接优化CheXBert或RadGraph分数等事实一致性指标。然而，其使用贪婪搜索或束搜索的解码方法在挑选最优候选时不考虑事实一致性，导致事实一致性提升有限。为此，我们提出一种新颖的第二阶段摘要方法FactReranker，首次尝试基于估计的事实一致性分数从所有候选中学习选择最佳摘要。我们提出基于RadGraph模式抽取输入医学报告、其金标准摘要与候选摘要的医学事实，并设计事实引导的重排序器高效融合所抽取医学事实以选择最优摘要。我们将事实引导的重排序器分解为事实知识图生成与事实打分器，使重排序器能建模输入文本医学事实与其金标准摘要间映射，从而即使在推理时无法观测金标准摘要也能选择最优摘要。我们还提出基于事实的排序指标RadMRR，用于衡量重排序器选择事实一致候选的能力。两个基准数据集上的实验结果表明，与现有方法相比，本方法在生成具更高事实一致性分数的摘要上具优越性。