GersteinLab 在 MEDIQA-Chat 2023 上的工作：基于微调与上下文学习的医患对话临床笔记摘要
计算与语言
2023-05-10 v1
摘要
本文介绍了我们对 MEDIQA-2023 Dialogue2Note 共享任务（包含子任务 A 与子任务 B）的贡献。我们将该任务视为对话摘要问题，并实现了两种不同的流程：(a) 对预训练对话摘要模型与 GPT-3 进行微调，以及 (b) 使用大语言模型 GPT-4 的少样本上下文学习（ICL）。两种方法在 ROUGE-1 F1、BERTScore F1（deberta-xlarge-mnli）和 BLEURT 上均取得了优异结果，分数分别为 0.4011、0.7058 和 0.5421。此外，我们使用基于 RoBERTa 和 SciBERT 的分类模型预测相关的章节标题。我们团队在所有团队中排名第四，而每个团队允许作为其提交的一部分提交三次运行。我们还利用专家标注表明，通过 ICL GPT-4 生成的笔记优于所有其他基线。我们提交所用的代码已公开。
引用
@article{arxiv.2305.05001,
title = {GersteinLab at MEDIQA-Chat 2023: Clinical Note Summarization from Doctor-Patient Conversations through Fine-tuning and In-context Learning},
author = {Xiangru Tang and Andrew Tran and Jeffrey Tan and Mark Gerstein},
journal= {arXiv preprint arXiv:2305.05001},
year = {2023}
}