“无异常”：通过对比知识注入消除医学报告歧义
计算与语言
2023-05-16 v1
摘要
共享医学报告对于以患者为中心的诊疗至关重要。近期一系列工作聚焦于利用 NLP 方法自动生成报告。然而，不同受众在书写/阅读医学报告时目的不同——例如，医疗专业人员更关注病理，而患者更关心诊断（“是否存在异常？”）。期望差距导致一种常见情况：患者觉得自己的医学报告含糊不清，从而不确定下一步该怎么做。在本工作中，我们探究医疗中的受众期望差距，并将导致患者对其诊断感到困惑的常见歧义归纳为三类：医学术语、矛盾发现以及易误导的语法错误。基于我们的分析，我们定义了一项消歧重写任务，在保留原始内容信息的前提下将输入重写成无歧义文本。我们进一步提出了一种基于对比预训练与基于扰动重写的重写算法。此外，我们创建了两个数据集：基于胸部报告的 OpenI-Annotated 和基于通用医学报告的 VA-Annotated，均带有由放射科专家标注的歧义与异常存在的二值标签。在这些数据集上的实验结果表明，我们提出的算法能以高内容保真度将输入句子重写为歧义更少的形式。我们的代码与标注数据已公开以促进未来研究。
引用
@article{arxiv.2305.08300,
title = {"Nothing Abnormal": Disambiguating Medical Reports via Contrastive Knowledge Infusion},
author = {Zexue He and An Yan and Amilcare Gentili and Julian McAuley and Chun-Nan Hsu},
journal= {arXiv preprint arXiv:2305.08300},
year = {2023}
}
备注
Accepted to AAAI 2023. 13 pages including 4-page supplementary materials