许可证：afl-3.0
标签：

• 摘要生成
• t5模型
• 医学领域
• 临床
  语言：英语
  数据集：
• MIMIC-III

示例输入：

• 再次观察到右额叶后部大面积脑实质内出血，并延伸至双侧脑室。周围水肿程度及邻近脑沟受压情况无变化。正常中线结构存在轻微对侧移位。脑室大小未改变。现于左额叶及顶叶可见蛛网膜下腔出血，可能由脑室内血液再循环所致。
• 至少尝试了两次成像检查，但因患者移动导致研究严重受限。左顶叶脑沟（2a:18）沿线轻微高密度影，疑似小范围蛛网膜下腔出血。未检测到明显占位效应。正常中线结构无移位。存在轻微移位的颧骨骨折（2a:9）。中耳腔及乳突气房清晰。右额部颅骨上方广泛软组织肿胀，延伸至右隔前软组织（2a:12）。筛窦及上颌窦轻度至中度黏膜增厚，蝶窦内可见积液及黏膜增厚。

推理参数：
max_length: 350

评估指标：

• rouge-l

放射学报告印象生成器 🏥

本模型是SINAI团队参与ACL 2023生物自然语言处理研讨会任务1B：放射学报告摘要生成的成果。该任务旨在推动自动放射学报告摘要系统的发展，并通过整合七种不同模态和解剖结构扩展其应用性。

我们提出采用"序列到序列"学习方法，结合通用领域和生物医学领域预训练模型，实现放射学印象的自动生成。本仓库提供了我们基于Sci-Five基础模型微调的最佳性能系统，该T5模型经过额外20万步训练以优化生物医学文献处理能力。

结果

官方评估表明，将通用领域系统适配生物医学文献能有效提升放射学报告摘要任务的微调效果。下表为本模型在官方评估中的得分（完整排名见此处）：

系统论文与引用

系统详细说明发表于第22届生物医学语言处理研讨会论文集。

BibTeX引用：

@inproceedings{chizhikova-etal-2023-sinai,  
    title = "{SINAI}在RadSum23：基于领域特异性序列到序列Transformer模型的放射学报告摘要生成",  
    author = "Chizhikova, Mariia  and  
      Diaz-Galiano, Manuel  and  
      Urena-Lopez, L. Alfonso 和  
      Martin-Valdivia, M. Teresa",  
    booktitle = "第22届生物医学自然语言处理研讨会暨BioNLP共享任务",  
    month = "7月",  
    year = "2023",  
    address = "加拿大多伦多",  
    publisher = "计算语言学协会",  
    url = "https://aclanthology.org/2023.bionlp-1.53",  
    pages = "530--534",  
    abstract = "本文介绍SINAI团队在ACL 2023生物自然语言处理研讨会共享任务1B（放射学报告摘要生成）中的工作。我们采用序列到序列方法，结合多语言通用领域和单语言生物医学领域预训练模型。基于领域特异性模型的最佳系统获得33.96 F1RadGraph分数，位列挑战赛第四。该模型已公开于HuggingFace平台。我们还尝试了近端策略优化强化学习以提升F1RadGraph衡量的事实准确性，但未取得理想结果。",  
}