Jan, 2022

深度学习用于自动医疗编码的统一综述

PDF
TL;DR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。
automated medical codingdeep learning modelsnatural language processingneural network architecturestext feature extraction
发现论文，激发创造
  • 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

  • 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

  • 自动化临床编码：什么、为什么以及我们在何处？

    介绍了自动临床编码的想法，并从人工智能和自然语言处理的角度阐述了其挑战，指出当前深度学习方法在实际应用中存在解释性和一致性的差距，需要将基于知识的方法纳入深度学习方法中。尽管存在技术和组织上的挑战，自动临床编码是人工智能领域的有前途的研究方向。

    Mar, 2022

  • 利用深度学习实现自动化 ICD 编码

    本文提出了一种具有注意力机制的分层深度学习模型，该模型可以根据诊断描述自动分配 ICD 诊断代码。实验结果表明，我们的深度学习模型能够在合理的范围内自动编码，并为计算机辅助 ICD 编码提供了框架。

    Nov, 2017

  • 医疗编码预测的多任务平衡和重新校准网络

    通过多任务学习和失衡类问题来解决医学编码中的问题。

    Sep, 2021

  • 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

  • 读、参与、编码：机器从临床笔记中预测医学编码的极限挑战

    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

  • 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

  • 通过自动弱监督分类非结构化临床笔记

    该研究介绍了一种利用机器学习和文本分类方法来自动识别医疗记录中的疾病编码 (ICD) 的框架，而不需要使用任何人工标记文档。

    Jun, 2022

  • 利用现成大型语言模型进行自动临床编码

    利用大型预训练生成语言模型开发出零样本和少样本编码分配的实用解决方案，通过信息提取，利用 ICD 本体论和专业临床编码任务描述，检索相关提及，并利用 GPT-4 在第二阶段进行元细化，实现了自动 ICD 编码的方法，无需任务特定的学习，而在更稀缺的类别上达到了最优的性能。

    Oct, 2023