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

任务：

  据作者说，英文的医疗影像报告同时具有两个描述，一个是FINDINGS，阐述了整个图像的细节与特点，还有一个是IMPRESSION，只重点描述图像中的关键信息，这些关键信息是包含在FINDINGS里面的。总之，本篇论文做的就是利用这个FINDINGS来生成IMPRESSION，即在文本摘要在医疗领域的应用。

模型：

                        

Content Selector：

这个选择器采用序列标注的形式来实现，整个FINDINGS序列的每个词有0,1两种标注。如果当前这个词是医疗专有实体，并且他在对应的IMPRESSION出现过了的话，那就把这个位置标注为1，否则标注为0。这样学出来一个模型，在测试集上面就可以用来标注FINDINGS，并且选出一些关键的医疗专有实体。

然后看到图

左边是encoder，encoder里面的上面那个lstm用来encoder整个FINDINGS，得到每个位置的编码hi，然后下面那个lstm用来encoder Content Selector选取的关键医疗专有实体。医疗专有实体的这个LSTM得到最终一个hl0的向量，这个向量代表着当前这个FINDINGS里面所有显著的医疗专有实体的信息。然后用这个信息融合到上面那个编码FINDINGS的LSTM中，得到每个位置的一个新的向量：

                                           

hi是上面LSTM每个位置的输出， hl0是下面LSTM最后一个位置的输出。融合起来，然后和之前每个位置的输出做element-wise的乘法操作，即第二个公式的这个圆圈。融合之后的hi'与最后decoder每个位置坐attention，用来引导decoder的生成。

读后总结：

整篇paper的模型其实不难，依旧是老套的seq2seq的基础架构，并且用的是lstm ecoder和lstm decoder的模式。唯一的亮点就是Content Selector的时候用到了序列标注的思想，这个有点类似于copy机制，但又不是在最后一步修改分布。整篇论文只做了一个这样小的改动，然后能够论证他真的有效果，就可以了。