基于证据期望最大化推断的医学问答解释生成
计算与语言
2023-10-03 v1 人工智能
摘要
医学问答（medical QA）系统在协助医护人员寻找问题答案方面发挥着重要作用。然而，仅由医学 QA 系统提供答案是不够的，因为用户可能想要解释，即以自然语言描述的、支持该答案的要素与上下文的更具分析性的陈述。为此，我们提出了一种为医学 QA 系统预测的答案生成自然语言解释的新方法。由于高质量的医学解释需要额外的医学知识，我们的系统从医学教科书中提取知识，以在解释生成过程中提升解释质量。具体而言，我们设计了一种期望最大化方法，对这些文本中的证据进行推断，提供了一种将注意力聚焦于冗长证据段落的高效方式。在两个数据集 MQAE-diag 和 MQAE 上进行的实验结果表明了我们的框架利用文本证据进行推理的有效性。我们的方法优于 SOTA 模型，在 Rouge-1 分数上分别显著提升了 \textbf{6.86} 和 \textbf{9.43} 个百分点，在 Bleu-4 分数上分别提升了 \textbf{8.23} 和 \textbf{7.82} 个百分点。
引用
@article{arxiv.2310.01299,
title = {Generating Explanations in Medical Question-Answering by Expectation Maximization Inference over Evidence},
author = {Wei Sun and Mingxiao Li and Damien Sileo and Jesse Davis and Marie-Francine Moens},
journal= {arXiv preprint arXiv:2310.01299},
year = {2023}
}