摘要
本研究针对预训练模型（Pretrained Models, PTMs）在生成科学文献——尤其是医学研究文献——准确且全面的摘要时存在的局限性，提出了一种名为医学文本简化与摘要（Medical Text Simplification and Summarization, MedTSS）的解决方案。该方案引入了一个专用模块，旨在增强PTMs的输入文本质量。MedTSS有效缓解了令牌（token）长度限制问题，强化了多个关键概念的表达，并在无需额外训练的前提下显著降低了实体幻觉（entity hallucination）现象。此外，该模块还进行语言学分析，对生成的摘要进行简化处理，特别适配医学研究文献所特有的复杂性与专业性。实验结果表明，MedTSS在不依赖额外训练的情况下，将Rouge-1得分从16.46提升至35.17，实现了显著性能提升。该框架强调知识驱动的组件设计，提出了与“更多数据”或“更多参数”这一主流观点相异的全新视角。这一替代性方法在健康相关领域具有重要应用价值，对自然语言处理（NLP）领域具有更广泛的贡献意义。MedTSS不仅有效应对了医学研究文献摘要生成中的复杂挑战，更标志着一种范式转变，其影响可延伸至超出初始应用场景的多个领域。