任務：
據作者說，英文的醫療影像報告同時具有兩個描述，一個是FINDINGS，闡述了整個圖像的細節與特點，還有一個是IMPRESSION，只重點描述圖像中的關鍵信息，這些關鍵信息是包含在FINDINGS裏面的。總之，本篇論文做的就是利用這個FINDINGS來生成IMPRESSION，即在文本摘要在醫療領域的應用。
模型：
Content Selector：
這個選擇器採用序列標註的形式來實現，整個FINDINGS序列的每個詞有0,1兩種標註。如果當前這個詞是醫療專有實體，並且他在對應的IMPRESSION出現過了的話，那就把這個位置標註爲1，否則標註爲0。這樣學出來一個模型，在測試集上面就可以用來標註FINDINGS，並且選出一些關鍵的醫療專有實體。
然後看到圖
左邊是encoder，encoder裏面的上面那個lstm用來encoder整個FINDINGS，得到每個位置的編碼hi，然後下面那個lstm用來encoder Content Selector選取的關鍵醫療專有實體。醫療專有實體的這個LSTM得到最終一個hl0的向量，這個向量代表着當前這個FINDINGS裏面所有顯著的醫療專有實體的信息。然後用這個信息融合到上面那個編碼FINDINGS的LSTM中，得到每個位置的一個新的向量：
hi是上面LSTM每個位置的輸出， hl0是下面LSTM最後一個位置的輸出。融合起來，然後和之前每個位置的輸出做element-wise的乘法操作，即第二個公式的這個圓圈。融合之後的hi'與最後decoder每個位置坐attention，用來引導decoder的生成。
讀後總結：
整篇paper的模型其實不難，依舊是老套的seq2seq的基礎架構，並且用的是lstm ecoder和lstm decoder的模式。唯一的亮點就是Content Selector的時候用到了序列標註的思想，這個有點類似於copy機制，但又不是在最後一步修改分佈。整篇論文只做了一個這樣小的改動，然後能夠論證他真的有效果，就可以了。