Oct, 2018

自动 ICD 编码的多模态机器学习

PDF
TL;DR该研究提出了一种多模态机器学习模型，用于预测 ICD-10 诊断代码，并通过集成不同模态的机器学习模型和提取关键证据来增强预测的可信度和可解释性。在解释性方面，该方法在文本数据上达到了 0.1806 的 Jaccard 相似系数，在表格数据上达到了 0.3105。
icd-10machine learningensemble methodtext datatabular data
发现论文，激发创造
  • 使用 MIMIC-III 临床笔记进行 ICD-9 编码分配的深度学习实证评估

    研究通过采用深度学习等机器学习方法，对临床笔记进行自动代码映射，结果表明这些深度学习方法优于其他传统机器学习模型，并且在 MIMIC-III 数据集上能够准确估计和预测 ICD-9 医疗代码。

    Feb, 2018

  • Mimic-IV-ICD：一个新的极端多标签分类基准

    本文提出了一个基于 MIMIC-IV 公共电子病历数据集的 ICD 编码公共基准套件，使数据预处理标准化并建立全面的 ICD 编码基准数据集，加速未来研究中采用自动 ICD 编码的进展。

    Apr, 2023

  • 从巴西葡萄牙语临床笔记中预测多个 ICD-10 代码

    该论文提出了使用机器学习模型对巴西葡萄牙语临床记录中的 ICD 编码进行自动化预测的方法，并采用 Logistic 回归模型、卷积神经网络、门控循环神经网络和具有 Attention 机制的 CNN 模型进行研究和优化。该论文的主要贡献是在临床记录的自动编码问题上，将研究范围扩大到了非英语语言中，并证明 CNN-Att 模型是在数据集中最佳的预测模型。

    Jul, 2020

  • 基于多视角卷积和描述规范的标签依赖注意力医疗编码预测

    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

  • 利用现成大型语言模型进行自动临床编码

    利用大型预训练生成语言模型开发出零样本和少样本编码分配的实用解决方案，通过信息提取，利用 ICD 本体论和专业临床编码任务描述，检索相关提及，并利用 GPT-4 在第二阶段进行元细化，实现了自动 ICD 编码的方法，无需任务特定的学习，而在更稀缺的类别上达到了最优的性能。

    Oct, 2023

  • 利用深度学习实现自动化 ICD 编码

    本文提出了一种具有注意力机制的分层深度学习模型，该模型可以根据诊断描述自动分配 ICD 诊断代码。实验结果表明，我们的深度学习模型能够在合理的范围内自动编码，并为计算机辅助 ICD 编码提供了框架。

    Nov, 2017

  • MIMIC-III 和 MIMIC-IV 的自动医疗编码：一项关键评论和可复制性研究

    本文重现、比较和分析了最先进的自动医学编码机器学习模型。通过改进数据的采样和评估方法，我们的研究结果表明，在新的医学数据集 MIMIC-IV 上，使用正确的参数和配置，这些模型可以产生良好的效果。

    Apr, 2023

  • 通过关注多种标签嵌入进行准确和良好校准的 ICD 编码分配

    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

  • 基于 Prompt 的多标记少样本 ICD 编码自回归生成

    本研究旨在解决将多标签分类任务转变为自回归生成任务的长尾挑战，通过引入新颖的生成自由文本的预训练目标，生成低维度的文本描述，从而推断出 ICD 代码，实验结果表明我们所提出的模型实现了新的 SOTA 表现，并设计了一种新的交叉关注再排序器来集成先前的 SOTA 和我们最佳的少样本编码预测。

    Nov, 2022

  • 知识注入的提示式微调，用于多标签少样本 ICD 编码

    本研究通过适应具有标签语义的提示微调技术以及注入三种特定于医学领域的知识（层次结构、同义词和缩写）的预训练来解决自动 ICD 编码中的长尾挑战，并在 MIMIC-III-full 数据集上取得了 14.5％的性能提升，并且在 MIMIC-III-rare50 数据集的微调情况下提高了宏 F1 和微 F1。

    Oct, 2022