ترجمه فارسی مقاله uMedSum: چارچوب یکپارچه برای پیشبرد خلاصه انتزاعی پزشکی
عنوان مقاله به انگلیسی
uMedSum: A Unified Framework for Advancing Medical Abstractive Summarization
عنوان مقاله به فارسی
uMedSum: چارچوب یکپارچه برای پیشبرد خلاصه انتزاعی پزشکی
نویسندگان
Aishik Nagar, Yutong Liu, Andy T. Liu, Viktor Schlegel, Vijay Prakash Dwivedi, Arun-Kumar Kaliya-Perumal, Guna Pratheep Kalanchiam, Yili Tang, Robby T. Tan
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Medical abstractive summarization faces the challenge of balancing faithfulness and informativeness. Current methods often sacrifice key information for faithfulness or introduce confabulations when prioritizing informativeness. While recent advancements in techniques like in-context learning (ICL) and fine-tuning have improved medical summarization, they often overlook crucial aspects such as faithfulness and informativeness without considering advanced methods like model reasoning and self-improvement. Moreover, the field lacks a unified benchmark, hindering systematic evaluation due to varied metrics and datasets. This paper addresses these gaps by presenting a comprehensive benchmark of six advanced abstractive summarization methods across three diverse datasets using five standardized metrics. Building on these findings, we propose uMedSum, a modular hybrid summarization framework that introduces novel approaches for sequential confabulation removal followed by key missing information addition, ensuring both faithfulness and informativeness. Our work improves upon previous GPT-4-based state-of-the-art (SOTA) medical summarization methods, significantly outperforming them in both quantitative metrics and qualitative domain expert evaluations. Notably, we achieve an average relative performance improvement of 11.8% in reference-free metrics over the previous SOTA. Doctors prefer uMedSum's summaries 6 times more than previous SOTA in difficult cases where there are chances of confabulations or missing information. These results highlight uMedSum's effectiveness and generalizability across various datasets and metrics, marking a significant advancement in medical summarization.
چکیده به فارسی (ترجمه ماشینی)
خلاصه چکیده پزشکی با چالش تعادل وفاداری و اطلاع رسانی روبرو است.روشهای فعلی غالباً اطلاعات کلیدی را برای وفاداری فدا می کنند یا هنگام اولویت بندی اطلاع رسانی ، مصارف را معرفی می کنند.در حالی که پیشرفت های اخیر در تکنیک هایی مانند یادگیری درون متن (ICL) و تنظیم دقیق ، خلاصه پزشکی را بهبود بخشیده است ، آنها اغلب از جنبه های مهم مانند وفاداری و اطلاع رسانی بدون در نظر گرفتن روش های پیشرفته مانند استدلال مدل و خود بهبود غافل می شوند.علاوه بر این ، این زمینه فاقد یک معیار یکپارچه است و به دلیل معیارهای متنوع و مجموعه داده ها ، ارزیابی سیستماتیک را مانع می کند.در این مقاله با ارائه یک معیار جامع از شش روش جمع بندی انتزاعی پیشرفته در سه مجموعه داده متنوع با استفاده از پنج معیار استاندارد ، به این شکاف ها می پردازد.با تکیه بر این یافته ها ، ما Umedsum را پیشنهاد می کنیم ، یک چارچوب خلاصه ترکیبی ماژولار که رویکردهای جدیدی را برای حذف توقیف متوالی و به دنبال آن افزودن اطلاعات کلیدی از دست رفته ، ارائه می دهد و هم از وفاداری و هم برای اطلاع رسانی اطمینان می دهد.کار ما در روشهای جمع آوری پزشکی پیشرفته پزشکی قبلی (SOTA) قبلی مبتنی بر GPT-4 بهبود می یابد ، که به طور قابل توجهی از آنها در هر دو معیارهای کمی و ارزیابی های متخصص حوزه کیفی بهتر عمل می کند.نکته قابل توجه ، ما به میانگین عملکرد نسبی 11.8 ٪ در معیارهای بدون مرجع نسبت به SOTA قبلی دست می یابیم.پزشکان خلاصه های Umedsum را 6 برابر بیشتر از SOTA قبلی در موارد دشوار ترجیح می دهند که احتمال ابتلا به آن وجود دارد یا اطلاعات مفقود شده است.این نتایج اثربخشی و تعمیم پذیری Umedsum را در مجموعه داده ها و معیارهای مختلف برجسته می کند و پیشرفت قابل توجهی در جمع بندی پزشکی نشان می دهد.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
