图增强对比学习用于放射学发现摘要生成

放射学报告的“印象”部分总结了“发现”部分中最突出的观察结果，是放射科医生与医生沟通的最重要部分。总结发现耗时且对经验不足的放射科医生容易出错，因此自动印象生成引起了广泛关注。在编码器-解码器框架下，大多数先前研究探索引入额外知识（例如，静态预定义的临床本体或额外背景信息）。然而，它们通过单独的编码器编码这些知识，将其作为模型的额外输入，这在利用它们与原始发现的关系方面是有限的。为了解决这一限制，我们提出了一个统一框架，以集成方式利用额外知识和原始发现，从而以适当方式提取关键信息（即关键词及其关系）以促进印象生成。具体来说，对于每个输入发现，通过文本编码器进行编码，并通过其实体和依存树构建图。然后，采用图编码器（例如图神经网络(GNN)）对构建图中的关系信息进行建模。最后，为了强调发现中的关键词，引入对比学习，使正样本（通过掩蔽非关键词构建）更接近，并推开负样本（通过掩蔽关键词构建）。在OpenI和MIMIC-CXR上的实验结果证实了我们提出方法的有效性。