本论文提出了一种基于多视角注意力的神经网络用于从临床文本中预测医疗代码,该方法通过融合临床文本语义上下文、标签(医疗代码)空间的关系以及每对临床文本和医疗代码之间的对齐来实现,经实验证明,在开源数据集上获得了优秀的性能表现。
May, 2023
该论文通过自然语言处理和深度学习技术预测医学编码,提高编码准确性并探讨神经网络模型的可解释性。
Oct, 2022
通过使用卷积神经网络(CNN)和长短期记忆(LSTM)网络,将医疗代码分配映射与卷积嵌入相连接,使用自我关注和代码标题引导注意力模块,结合基于句子排列的数据增强和随机权重平均训练,该研究提供的 Read,Attend 和 Code(RAC)模型在医疗代码预测方面超越了人类编码基线,成为完全自主医疗编码(AMC)机器实现医学代码预测的新的最佳性能水平(SOTA)。
Jul, 2021
本研究提出了一种基于门控卷积神经网络和笔记代码交互的新方法,以自动进行医学代码分配,该方法在现实世界的临床数据集上实验验证其有效性,性能优于现有模型。
Oct, 2020
通过将抽取的概念作为特征或标签,加以利用或学习,以期提高文档级别的临床编码任务的性能,但结果未取得较大的性能提升,探讨可能的原因和未来的研究方向。
Jun, 2019
本文提出了一种基于深度学习的系统,通过使用视图卷积通道和基于自然语言代码描述的注意力规则等技术,取得了针对医疗文本编码的新进展,显著优于先前最佳结果,困难在于有数千个罕见代码。
Nov, 2018
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
本文介绍一种使用神经网络对 Icelandic CTNs 数据集进行半自我监督的数据增强方法,以预测医生对某些疾病的诊断。该方法可以弥补医疗数据稀缺的不足,并证明了机器学习在医学数据分析中的有效性。
May, 2022
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
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。