Snomed2Vec: 面向医疗保健分析的临床知识库的随机游走与 Poincaré 嵌入

KDDJul, 2019

Snomed2Vec: 面向医疗保健分析的临床知识库的随机游走与 Poincaré 嵌入

Snomed2Vec: Random Walk and Poincaré Embeddings of a Clinical Knowledge Base for Healthcare Analytics

Khushbu Agarwal, Tome Eftimov, Raghavendra Addanki, Sutanay Choudhury, Suzanne Tamang...

TL;DR使用基于图的表示学习方法在 SNOMED-CT 上学习医学概念的嵌入向量，可用于生物医学任务。结果表明，基于 SNOMED-CT 的概念嵌入在概念相似性和患者诊断方面 5-6 倍和 6-20％的改进相对于最新的嵌入方法。

Abstract

representation learning methods that transform encoded data (e.g., diagnosis and drug codes) into continuous vector spaces (i.e., vector embeddings) are critical for the application of deep learning in healthcare

representation learning healthcare embedding methods snomed-ct biomedical tasks

发现论文，激发创造

生物医学知识图谱嵌入的基准与最佳实践

利用知识图谱嵌入学习方法，探索在 SNOMED-CT 知识图谱中学习生物医学知识表征的能力，提供性能测试及最佳实践，并强调利用知识图谱多关系特性学习知识表征的重要性。

Jun, 2020

医学概念的多层表示学习

本研究提出了一种基于电子病历数据的的 Med2Vec 方法，通过学习医学代码和访问的分布式表示形式，利用序列访问顺序和访问内部代码的共现关系提供临床医生可验证的基础，在关键医学应用中显示出与流行基线（如 Skip-gram、GloVe 和堆叠自动编码器）相比的显着改进。

Feb, 2016

从大规模多模态医学数据中学习的临床概念嵌入

使用大规模多模态医疗数据集，本文提出了一种新的 cui2vec 医疗概念词嵌入模型，并通过统计功率法进行了评估，结果表明该模型在大多数情况下相对于之前的方法具有最先进的性能。

Apr, 2018

使用临床词汇表增强字向量的 AWE-CM 向量

文中提出了使用专家领域知识来构建单词嵌入向量的方法，在临床自然语言处理中获得了可观的效果。通过将单词的 “上下文” 概念推广为包括任意特征，我们展示了使用这种方法产生的单词向量在与临床专家的相关性方面普遍优于其纯文本的对应方法。

Dec, 2017

临床自然语言处理中嵌入技术综述

本文是一篇关于临床自然语言处理中嵌入表示法的全面调查研究，讨论了各种医学语料库及其特征、医学编码、流行嵌入模型的概述和比较，并将临床嵌入表示划分为九类，并详细讨论每种嵌入类型，探讨临床嵌入表示法中的各种挑战及可能的解决方案和未来研究方向。

Mar, 2019

利用医疗概念丰富无监督用户嵌入

本研究提出了一种概念感知的无监督用户嵌入方法，结合来自 MIMIC-III 和 Diabetes 两个临床语料库的文本文档和医学概念，用于疾病诊断和病人特征研究等领域，实验证明该方法的性能明显优于现有的无监督方法。

Mar, 2022

edge2vec: 利用边缘语义进行生物医学知识发现的表征学习

本文提出了一种考虑边缘语义的图表示学习模型 edge2vec，通过训练边缘类型转换矩阵和使用随机梯度下降模型，基于异构图学习节点嵌入。在生物医学领域的三个任务中，edge2vec 在考虑边缘类型的情况下明显优于其他几种现有的模型，展示了不同知识领域的应用前景。

Sep, 2018

多语言结构化放射学报告的知识图谱嵌入

我们引入了一种新颖的轻量级基于图的嵌入方法，特别适用于放射学报告，通过多语言 SNOMED 临床术语知识库连接报告中的医学术语，揭示了临床术语之间的潜在关系，实现了更好地理解和临床准确性的表示，而不依赖于大规模预训练数据集。我们展示了这种嵌入方法在 X 光报告的疾病分类和图像分类两个任务上的应用，并且相较于基于 BERT 的模型，在体积和训练数据需求方面要小得多。同时，我们展示了图嵌入方法如何利用跨模态知识传递，在不同语言之间具有可用性。

Sep, 2023

具备时间感知的医疗概念嵌入

本研究使用连续词袋模型和注意力机制以及加入时间信息的方法进行医疗代码嵌入，实验结果表明该方法明显优于五种现有的基准模型。

Jun, 2018

利用上下文嵌入增强临床概念抽取

本研究旨在研究新的语言表示方法（如 ELMo，BERT）在医疗概念提取方面的应用，比较这些方法与传统词嵌入方法（word2vec，GloVe，fastText）的性能表现，并探讨将这些表示方法应用于医疗任务的可能性。研究结果表明，基于大型医学语料库的上下文嵌入方法表现出色，优于现有所有方法。此外，与传统词表示相比，上下文嵌入方法还包含有价值的语义信息。

Feb, 2019