FocusMed：基于大语言模型并融合焦点识别的医学问题摘要增强框架
计算与语言
2025-10-07 v1 人工智能
摘要
随着在线医疗平台的快速发展，消费者健康问题（CHQ）由于信息冗余和频繁出现非专业术语而导致诊断效率低下。医学问题摘要（MQS）任务旨在将 CHQ 转化为精简的医生常见问题（FAQ），但现有方法仍面临诸如问题焦点识别不佳和模型幻觉等挑战。本文探讨了大型语言模型（LLM）在 MQS 任务中的潜力，发现直接微调容易产生焦点识别偏差并生成不忠实的内容。为此，我们提出了一个基于核心焦点引导的优化框架。首先，设计了一个提示模板，驱动 LLM 从 CHQ 中提取忠实于原文的核心焦点。然后，结合原始 CHQ-FAQ 对构建微调数据集，以提高识别问题焦点的能力。最后，提出了一种多维质量评估与选择机制，从多个维度全面提高摘要质量。我们在两个广泛采用的 MQS 数据集上使用三个既定的评估指标进行了全面实验。所提出的框架在所有指标上均取得了最先进的性能，表明模型识别问题关键焦点的能力得到显著提升，且幻觉得到明显缓解。源代码可在 https://github.com/DUT-LiuChao/FocusMed 免费获取。
引用
@article{arxiv.2510.04671,
title = {FocusMed: A Large Language Model-based Framework for Enhancing Medical Question Summarization with Focus Identification},
author = {Chao Liu and Ling Luo and Tengxiao Lv and Huan Zhuang and Lejing Yu and Jian Wang and Hongfei Lin},
journal= {arXiv preprint arXiv:2510.04671},
year = {2025}
}
备注
Accepted as a regular paper at BIBM2025