【MEDICAL】Attend to Medical Ontologies: Content Selection for Clinical Abstractive Summarization

任務：

  據作者說，英文的醫療影像報告同時具有兩個描述，一個是FINDINGS，闡述了整個圖像的細節與特點，還有一個是IMPRESSION，只重點描述圖像中的關鍵信息，這些關鍵信息是包含在FINDINGS裏面的。總之，本篇論文做的就是利用這個FINDINGS來生成IMPRESSION，即在文本摘要在醫療領域的應用。

模型：

                        

Content Selector：

這個選擇器采用序列標注的形式來實現，整個FINDINGS序列的每個詞有0,1兩種標注。如果當前這個詞是醫療專有實體，並且他在對應的IMPRESSION出現過了的話，那就把這個比特置標注為1，否則標注為0。這樣學出來一個模型，在測試集上面就可以用來標注FINDINGS，並且選出一些關鍵的醫療專有實體。

然後看到圖

左邊是encoder，encoder裏面的上面那個lstm用來encoder整個FINDINGS，得到每個比特置的編碼hi，然後下面那個lstm用來encoder Content Selector選取的關鍵醫療專有實體。醫療專有實體的這個LSTM得到最終一個hl0的向量，這個向量代錶著當前這個FINDINGS裏面所有顯著的醫療專有實體的信息。然後用這個信息融合到上面那個編碼FINDINGS的LSTM中，得到每個比特置的一個新的向量：

                                           

hi是上面LSTM每個比特置的輸出， hl0是下面LSTM最後一個比特置的輸出。融合起來，然後和之前每個比特置的輸出做element-wise的乘法操作，即第二個公式的這個圓圈。融合之後的hi'與最後decoder每個比特置坐attention，用來引導decoder的生成。

讀後總結：

整篇paper的模型其實不難，依舊是老套的seq2seq的基礎架構，並且用的是lstm ecoder和lstm decoder的模式。唯一的亮點就是Content Selector的時候用到了序列標注的思想，這個有點類似於copy機制，但又不是在最後一步修改分布。整篇論文只做了一個這樣小的改動，然後能够論證他真的有效果，就可以了。