MaLei在MultiClinSUM任务中：使用视角感知的迭代自提示与LLM进行临床文档摘要
计算与语言
2025-09-10 v1
摘要
患者与临床医生之间的高效沟通在共同决策中扮演着重要角色。然而，临床报告通常冗长且充满临床术语，这使得领域专家难以高效地识别文档中的重要方面。本文介绍了我们在MultiClinSUM共享任务中用于总结临床病例文档的方法。我们对大型语言模型（LLM）使用了迭代自提示（ISP）技术，即要求LLM生成特定于任务的提示，并通过基于示例的少样本学习对其进行优化。此外，我们使用词汇和嵌入空间指标ROUGE和BERT-score来指导模型在多个训练周期中进行微调。我们使用视角感知的ISP在GPT-4和GPT-4o上的提交，在来自开放期刊的3,396份不同专科的临床病例报告的官方评估中，取得了ROUGE分数（46.53, 24.68, 30.77）和BERT分数（87.84, 83.25, 85.46）（分别对应P, R, F1）。高BERT-score表明，尽管在精确词汇层面的重叠较低（反映在较低的ROUGE分数上），但模型生成的摘要与参考文献在语义上是等价的。这项工作揭示了视角感知的ISP（PA-ISP）如何被部署用于临床报告摘要，并支持患者与临床医生之间更好的沟通。
引用
@article{arxiv.2509.07622,
title = {MaLei at MultiClinSUM: Summarisation of Clinical Documents using Perspective-Aware Iterative Self-Prompting with LLMs},
author = {Libo Ren and Yee Man Ng and Lifeng Han},
journal= {arXiv preprint arXiv:2509.07622},
year = {2025}
}
备注
system paper at CLEF 2025