Jul, 2021

读、参与、编码：机器从临床笔记中预测医学编码的极限挑战

PDF
TL;DR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）。
medical codesclinical notesmachine learningconvolutional neural networkslong short-term memory
发现论文，激发创造
  • 临床记录中医学编码预测：从人工编码到机器编码

    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

  • 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

  • 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

  • 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

  • 当前解释性是否有助于为临床笔记提供参考，以支持人类注释医学代码？

    本文提出了一个基于 transformer 的可解释性医疗编码预测框架，并通过人工评估发现，尽管其预测准确性优于人类编码员，但由于当前可解释性方法的局限性，使用该系统仍需要专业编码员的专业知识。

    Oct, 2022

  • 医学编码预测的多任务校准聚合网络

    该研究提出了一种多任务校准聚合网络的自动编码算法，用于翻译医学报告为标准编码，克服了文档长度和噪声等挑战，并在真实世界的 MIMIC-III 数据集中实现了显著提高预测性能的效果。

    Apr, 2021

  • 通过标签内部对齐有效预测医学代码

    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

  • 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

  • 层次标签关注网络和标签嵌入初始化的临床笔记可解释自动编码

    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。

    Oct, 2020