TY -的盟Phatak Atharva AU -萨维奇,David W非盟-部,罗伯特AU -史密斯,乔纳森•AU - Mago Vijay PY - 2022 DA - 2022/11/18 TI -医学文本简化使用强化学习(TESLEA):深上优于文字简化方法乔-地中海JMIR通知SP - e38095六世- 10 - 11 KW -医学文本简化千瓦强化学习KW -自然语言处理KW -手动评估AB -背景:在大多数情况下，医学领域的文章摘要是公开的。虽然每个人都能理解这些，但由于复杂的医学词汇，对更广泛的观众来说很难理解。因此，简化这些复杂的摘要是必不可少的，以使医学研究可为广大公众。目的:本研究旨在开发一种基于深度学习的文本简化(TS)方法，在保持生成文本质量的同时，将复杂的医学文本转换为更简单的版本。方法:开发了一种使用强化学习和基于变压器的语言模型的TS方法。相关性奖励、Flesch-Kincaid奖励和词汇简单性奖励进行了优化，以帮助将术语密集的复杂医学段落简化为更简单的版本，同时保留文本的质量。该模型使用3568个复杂-简单的医学段落进行训练，并通过自动化指标和人工注释对480个段落进行评估。结果:所提出的方法优于先前的Flesch-Kincaid评分基线(11.84)，并在使用ROUGE-1 (0.39)， ROUGE-2(0.11)和SARI评分(0.40)测量时与其他基线取得了相当的性能。人工评价表明，在考虑流畅性、连贯性和充分性等因素时，人工注释人员之间的一致性百分比超过70%。 Conclusions: A unique medical TS approach is successfully developed that leverages reinforcement learning and accurately simplifies complex medical paragraphs, thereby increasing their readability. The proposed TS approach can be applied to automatically generate simplified text for complex medical text data, which would enhance the accessibility of biomedical research to a wider audience. SN - 2291-9694 UR - https://medinform.www.mybigtv.com/2022/11/e38095 UR - https://doi.org/10.2196/38095 UR - http://www.ncbi.nlm.nih.gov/pubmed/36399375 DO - 10.2196/38095 ID - info:doi/10.2196/38095 ER -