FaMeSumm：探究与改进医学摘要的忠实性
计算与语言
2023-11-10 v2 人工智能
摘要
医学文本摘要应通过与原输入一致且符合事实而保持忠实，这对于医疗领域的安全性和效率而言是一个重要但研究不足的主题。在本文中，我们在一个广泛的医学摘要任务范围内探究并改进摘要的忠实性。我们的调查揭示，当前的摘要模型常为医学输入文本生成不忠实的输出。随后我们引入 FaMeSumm，一种通过基于医学知识微调预训练语言模型来改进忠实性的框架。FaMeSumm 在设计的有忠实与不忠实摘要集合上进行对比学习，并融入医学术语及其上下文以鼓励医学术语的忠实生成。我们在两种语言的三个数据集上进行了综合实验：英文的健康问题和放射报告摘要数据集，以及中文的患者-医生对话数据集。结果表明，FaMeSumm 灵活且有效，相对于 BART、T5、mT5 和 PEGASUS 等主流语言模型带来了一致的改进，在忠实性和总体质量指标上取得了最先进（state-of-the-art）性能。由医生进行的人工评估也显示 FaMeSumm 生成了更忠实的输出。我们的代码可在 https://github.com/psunlpgroup/FaMeSumm 获取。
引用
@article{arxiv.2311.02271,
title = {FaMeSumm: Investigating and Improving Faithfulness of Medical Summarization},
author = {Nan Zhang and Yusen Zhang and Wu Guo and Prasenjit Mitra and Rui Zhang},
journal= {arXiv preprint arXiv:2311.02271},
year = {2023}
}
备注
Main Conference of EMNLP 2023