本文提出了一种新的标签关注模型和层级联合学习机制，可自动处理 ICD 编码和解决类别不平衡问题，并取得了三个基准 MIMIC 数据集的最新技术成果。

Jul, 2020

该论文描述了一种新颖的自动 ICD 编码方法，结合了先前相关工作的几个思想。我们特别采用一种强大的基于 Transformer 的文本编码模型，并针对冗长的临床叙述，探索了将基本编码模型调整为 Longformer，或者将文本分成块并独立处理的方法。编码器产生的表示与标签嵌入机制相结合，探索了多样的 ICD 编码同义词。通过使用 MIMIC-III 数据集的不同拆分进行实验，结果显示提出的方法在 ICD 编码方面优于当前最先进的模型，并且标签嵌入显著促成了良好的性能。该方法还导致适当校准的分类结果，可以有效地用于下游任务如数量化。

Feb, 2024

提出一个两阶段的框架，通过捕捉标签相关性来提高自动 ICD 编码，利用标签集分布估计器和基准预测器来生成每个标签集候选项的概率，并重排序，以解决测量标签相关性的问题。

Jun, 2021

本文提出了一种新颖的 ICD 索引方法，采用多级深度扩张残余卷积编码器来聚合临床记录的信息，学习不同长度文本的文档表示；通过辅助医疗记录的医学知识，包括临床文本、临床编码术语和药物处方等，以更好地推断 ICD 代码；引入图卷积网络利用 ICD 代码的共现模式，提高标签表示质量。实验结果表明，所提出的方法在多项指标上达到了最先进的性能。

May, 2024

该研究系统地回顾了 2010 年至 2020 年间使用自然语言处理、机器学习和深度学习等方法来帮助医生更准确、高效地对患者病历进行编码的研究，其中共筛选出 38 篇符合条件的文献，并提出了未来的研究方向。

Jul, 2021

本研究提出一种基于层次变压器架构的 ICD 编码方法，使用病人整个住院期间的所有临床笔记进行编码，并结合文本元数据嵌入，如位置，时间和笔记类型等，在使用 MIMIC-III 数据集进行测试时，模型在仅使用出院摘要作为输入时超越了以前的最佳表现，并在使用所有临床笔记作为输入时实现了进一步的表现提升。

Feb, 2023

本文提出了一个两阶段解码机制来预测国际疾病分类（ICD）码，该模型利用了代码的分层属性，在公共 MIMIC-III 数据集上表现良好。

May, 2023

该研究介绍了一种利用机器学习和文本分类方法来自动识别医疗记录中的疾病编码 (ICD) 的框架，而不需要使用任何人工标记文档。

Jun, 2022

本文提出了一种层次化标签注意力网络（HLAN）和标签嵌入（LE）初始化方法，旨在提高自动化医学编码的性能并改善深度学习模型的可解释性，在使用 MIMIC-III 出院摘要进行实验后，结果表明 HLAN 在预测排名前 50 个编码时实现了最佳的微观级别 AUC 和 F1，对于每个标签突出显示最显著的单词和句子，相对于基线和 CNN 模型，HLAN 显示出更具有意义和全面的模型解释。LE 初始化一致提升大多数深度学习模型的性能。

Oct, 2020

研究了多标签 ICD-9 自动编码方法，提出了一种基于描述 - 标签的注意力分类器，通过不同的 transformer-based 编码器在 MIMIC-III-50 数据集上评估，达到了强大的结果和可解释性。

Sep, 2021