在这项研究中，使用临床自然语言处理技术解决了识别和映射标准术语的问题。提出了一种用于提取临床文本中关键概念的 TF-IDF 快捷方法，并使用基于 transformer 的模型设计了两种下游任务，结果表明 SciBERT 模型在结合提出的方法时具有优越性，并为临床笔记的关键短语提取提供了洞察。

Mar, 2023

本文提出了一种使用卷积神经网络和注意力机制对临床文本进行医学编码的方法，并展示了该方法在精度和可解释性方面的优势。

Feb, 2018

本研究提出一个基于领域特定词汇上下文嵌入的临床问题、治疗和测试自动标注临床笔记的模型，使用上下文嵌入模型训练一个双向 LSTM-CRF 模型用于临床概念提取，并在 I2B2 2010 挑战数据集上进行了测试，最终性能优于现有模型 3.4%。

Oct, 2018

本文提出一种无监督的文本信息抽取方法，应用于捷克乳腺癌患者的临床记录中，以提取、分类和聚类具有特定临床特征的文本片段，证明提出方法在捷克样本中为构建更复杂的信息抽取和分析工具提供了实用价值。

Nov, 2022

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

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

本研究利用深度神经网络实现一个临床信息提取工具，该工具可以从原始的临床笔记和病理报告中标注事件跨度及其属性，并通过使用时间卷积神经网络和多层感知器来提高性能。

Mar, 2016

该研究旨在找到评估临床笔记网络风险的有效方法。通过使用不同的分类器开发几个模型，发现 SVM 分类器使用 Word2Vec 特征的最大 F1 分数为 0.792，可用于识别可能包含敏感信息的区域，并用于提高临床笔记完全去识别的识别。

Mar, 2022

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

本文介绍了一种基于概念嵌入的医疗文档类型的语义差异刻画方法，通过训练概念嵌入，能够在消除嵌入噪声的同时，度量概念使用上的差异，从而实现对文档集合的语义特征的探索。

Oct, 2019