Naukowcy opracowali hybrydową sieć neuronową do automatycznego streszczania tekstów biomedycznych i klinicznych, która całkowicie rezygnuje z generowania nowych treści na rzecz wyboru istniejących zdań ze źródła. Podejście ekstrakcyjne rozwiązuje krytyczną lukę w medycynie - duże modele języka mogą płynnie generować abstrakcyjne streszczenia, ale wprowadzają przy tym wymyślone fakty, co w kontekście dokumentacji medycznej stanowi poważne zagrożenie dla bezpieczeństwa pacjentów.
Architektura sieci wykorzystuje stos splotów wielojądrzeniowych (multi-kernel convolutions) do transformacji reprezentacji zdań w bogatsze relacje między nimi, a następnie dwukierunkową sieć LSTM modeluje zależności długodystansowe w całym dokumencie. Lekka głowica do oceniania przypisuje każdemu zdaniu punktację ważności i trenowana jest end-to-end z użyciem binarnej entropii krzyżowej względem oraculum ekstrakcyjnych etykiet. Podczas wnioskowania dynamiczny próg oparty na średniej plus odchylenie standardowe z trójką rezerwową wybiera zdania bezpośrednio ze źródła i chronologicznie je porządkuje.
Testy na zbiorze PubMed wykazały, że architektura przewyższa izolowane baseline'y CNN i LSTM, a analizy ablacyjne pokazały, że szersze pola receptywne splotów poprawiają ocenianie zdań. Na strukturyzowanych raportach medycznych z MIMIC-CXR i MIMIC-IV system radzić sobie może gorzej, sugerując że ograniczenia strukturalne mogą zapewnić niezawodną ścieżkę do faktycznie ugruntowanych systemów streszczających, na których można polegać w praktyce medycznej.