EMNLPSep, 2020

临床文本医疗编码分配的膨胀卷积注意力网络

PDF
TL;DR本文提出了一个 Dilated Convolutional Attention Network（DCAN），该模型通过密集卷积、残差连接和标签关注机制，能够更好地处理长序列且有长期相关性的医学文本，能够改进现有模型在医疗代码分配任务上的表现。
发现论文，激发创造
  • 利用门卷积和笔记 - 代码交互进行医学编码分配

    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

  • 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

  • 临床文本中医疗代码的可解释预测

    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

  • 一种基于注意力机制的临床文本 ICD 编码标签模型

    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

  • 基于语义单元的膨胀卷积用于多标签文本分类

    该研究提出了一种基于序列到序列学习的多标签文本分类模型，其使用了多级膨胀卷积和相应的混合注意机制来生成更高级的语义单元表示，并且有效地减少了维度和支持了接收域的指数级扩展。实验结果表明，该模型在数据集 RCV1-V2 和 Ren-CECps 上具有显著优势，并且分析表明该模型与确定性分层模型相当，同时更具有对低频标签进行分类的鲁棒性。

    Aug, 2018

  • 入院记录的卷积神经网络用于医学诊断

    本文针对采用电子病历的诊疗信息，提出卷积神经网络模型，从非结构化文本中丝毫不受噪声和复杂性影响地预测出患者的出院诊断，精确率和 F1 分数的性能均优于四个强基线模型，较常见疾病的预测成功率提高了至少 12.7% ，从而为医生诊断判断提供决策支持。

    Dec, 2017

  • DmADs-Net：用于医学图像分割的稠密多尺度注意力和深度监督网络

    通过对复杂数据集和不同类型的数据集进行广泛实验，本研究提出了一种名为 DmADs-Net 的密集多尺度注意力和深度监督网络，通过特征提取、特征注意力块和特征融合等模块的创新，该网络在处理医学图像中的病变定位和特征提取方面取得了优于主流网络的表现。

    May, 2024

  • 领域条件适应网络

    该论文提出了一种基于领域条件自适应网络（DCAN）的深度领域自适应模型，在卷积层之间引入了领域特定的通道激活机制和特征修正块，旨在解决源域和目标域数据分布的差异问题，实验结果表明，该模型在跨领域学习任务上表现优异。

    May, 2020

  • 使用基于分区标签注意力的自动 ICD 编码网络

    本论文提出一种新的神经网络架构，用于自动 ICD 编码，它包含两种编码器和两种标签注意层，分别从输入中提取重要的全局和局部特征表示，有效地提高了性能。我们在 MIMIC-III 数据集上验证了所提出方法的有效性。

    Nov, 2022

  • DCANet: 注重注意力的双卷积神经网络用于图像盲去噪

    本文提出了一种新的基于深度神经网络、采用注意力机制的图像盲去噪方法 ——DCANet，该方法采用了双重 CNN 结构和噪声估计网络，实现了对实际噪声和合成噪声的有效压制。

    Apr, 2023