学习总结放射学发现
计算与语言
2018-10-10 v2
摘要
放射学报告的印象（Impression）部分以自然语言总结了关键的放射学发现，并在向医师传达这些发现中起着核心作用。然而，通过总结发现来生成印象的过程对放射科医师而言耗时且易出错。我们提出利用神经序列到序列学习自动生成放射学印象。我们进一步针对该任务提出一种定制的神经模型，其学习对检查背景信息进行编码，并利用该信息引导解码过程。在从实际医院检查收集的大型放射学报告数据集上，我们的模型在 ROUGE 指标下优于现有的非神经与神经基线。在一项盲法实验中，一名获委员会认证的放射科医师指出，67% 的采样系统摘要至少与相应人工撰写的摘要一样好，表明其具有显著的临床有效性。据我们所知，我们的工作代表了该方向上的首次尝试。
引用
@article{arxiv.1809.04698,
title = {Learning to Summarize Radiology Findings},
author = {Yuhao Zhang and Daisy Yi Ding and Tianpei Qian and Christopher D. Manning and Curtis P. Langlotz},
journal= {arXiv preprint arXiv:1809.04698},
year = {2018}
}
备注
EMNLP 2018 Workshop on Health Text Mining and Information Analysis (EMNLP-LOUHI). Code and pretrained model available at: https://github.com/yuhaozhang/summarize-radiology-findings