电子健康记录的神经摘要生成
计算与语言
2023-05-25 v1 人工智能
信息检索
摘要
医院出院文书是医疗从业者撰写的最基本且最耗时的文件之一。本研究的目的是使用神经网络摘要模型自动生成医院出院小结。我们研究了各种数据准备和神经网络训练技术以生成出院小结。利用来自 MIMIC-III 数据集的护理记录和出院小结，我们研究了使用四种最先进的神经网络摘要模型（BART、T5、Longformer 和 FLAN-T5）自动生成出院小结各章节的可行性。我们的实验表明，以护理记录为源、以出院小结的离散章节为目标输出（例如“现病史”）的训练环境可提升语言模型的效率与文本质量。根据我们的发现，微调后的 BART 模型相比其标准现成版本，ROUGE F1 分数提高了 43.6%。我们还发现，使用其他设置微调基线 BART 模型带来了不同程度的提升（最高达 80% 的相对提升）。我们也观察到微调后的 T5 通常比其它微调模型取得更高的 ROUGE F1 分数，而微调后的 FLAN-T5 总体取得最高 ROUGE 分数，即 45.6。对于大多数微调语言模型，分别摘要出院小结各章节在量化上优于摘要整份报告。另一方面，微调先前已指令微调过的语言模型在摘要整份报告时表现更好。本研究得出结论：为语言模型自动生成出院小结而设计的聚焦数据集可生成连贯的出院小结章节。
引用
@article{arxiv.2305.15222,
title = {Neural Summarization of Electronic Health Records},
author = {Koyena Pal and Seyed Ali Bahrainian and Laura Mercurio and Carsten Eickhoff},
journal= {arXiv preprint arXiv:2305.15222},
year = {2023}
}