医疗编码预测的多任务平衡和重新校准网络
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
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
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)。
Jul, 2021
该研究提出了一个统一的深度学习神经网络架构设计框架,以自然语言处理技术识别医疗文档中的文本信息并转换成医学编码,包括医学编码器、编码器结构、解码器和附加信息的应用等组成部分,然后总结了各种深度学习模型在该框架下的应用,并探讨了未来的研究方向及挑战。
Jan, 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
本文提出了一种新的校准方法,旨在提高神经网络在医学领域图像分类任务中的不确定性量化能力,该方法基于期望校准误差作为量化神经网络不确定性的公共度量,可以作为辅助损失项轻松地集成到任何分类任务中,从而显著降低分类误差。
Sep, 2020
本研究旨在探讨无监督预训练模型在医学代码预测任务中的性能,并提出一种用于捕捉远距离词汇间交互作用的分层微调架构和标签注意力机制,并发现精心训练的经典 CNN 模型可以超越基于注意力机制的模型。
Mar, 2021
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
本文提出一种基于多滤波残差卷积神经网络的自动 ICD 编码方法,该方法使用多滤波卷积层和残差卷积层以学习变长文本片段之间的上下文关系,并在 MIMIC 数据集上获得了高于现有模型的表现。
Nov, 2019