MEDSAGE：利用LLM生成的合成对话增强医学对话摘要对ASR错误的鲁棒性
原文中文，约400字，阅读约需1分钟。发表于：。本研究解决了医学对话摘要中由于自动语音识别（ASR）引入的错误导致的性能下降问题。提出的MEDSAGE方法利用大语言模型生成合成样本，模拟ASR错误，通过增强数据提升摘要模型的噪声鲁棒性。实验结果表明，该方法显著提高了医学对话摘要系统的鲁棒性和准确性，促进了临床对话摘要在关键应用中的可靠性。
本研究探讨了大型语言模型（LLMs）在医学转录中提高自动语音识别（ASR）系统准确性的潜力。通过使用PriMock57数据集对ASR生成的转录进行改善，发现LLMs特别是Chain-of-Thought（CoT）提示技术在医学转录领域取得了卓越表现，提高了转录对话的语义连贯性。这些发现为改进医学ASR系统、提高病患记录的准确性和可靠性带来希望。
