本研究采用基于 Transformer 的模型架构和标签分布感知的边界（LDAM）损失函数来预测医疗文本的诊断编码，在 MIMIC-III 数据集上测试表明，该模型在预测精度上优于双向循环神经网络，并且通过采用编码特定的关注机制，能够为临床医生提供更可靠的诊断建议。

Mar, 2021

提出了一种称为多跳标签注意力（MHLAT）的简单但有效的模型，通过多跳标签注意力机制获取更精确和丰富的表示，以解决 ICD 编码中的标签分类问题及预训练语言模型的巨大内存使用问题。在三个基准 MIMIC 数据集上进行的广泛实验表明，该方法在所有七个指标上达到了显著更好或可比性能，且参数较少。

Sep, 2023

研究了多标签 ICD-9 自动编码方法，提出了一种基于描述 - 标签的注意力分类器，通过不同的 transformer-based 编码器在 MIMIC-III-50 数据集上评估，达到了强大的结果和可解释性。

Sep, 2021

该论文描述了一种新颖的自动 ICD 编码方法，结合了先前相关工作的几个思想。我们特别采用一种强大的基于 Transformer 的文本编码模型，并针对冗长的临床叙述，探索了将基本编码模型调整为 Longformer，或者将文本分成块并独立处理的方法。编码器产生的表示与标签嵌入机制相结合，探索了多样的 ICD 编码同义词。通过使用 MIMIC-III 数据集的不同拆分进行实验，结果显示提出的方法在 ICD 编码方面优于当前最先进的模型，并且标签嵌入显著促成了良好的性能。该方法还导致适当校准的分类结果，可以有效地用于下游任务如数量化。

Feb, 2024

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

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

本研究探讨基于 Transformer 的模型用于自动化 ICD 编码任务，研究基于 MIMIC-III 数据集的三种 Transformer 模型表现，并对一个优化过的 PLM-ICD 模型和一个新的 XR-LAT 模型进行了评估，证明优化过的 PLM-ICD 模型是新的 SOTA 模型，而 XR-LAT 模型能与之竞争。

Dec, 2022

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

本文介绍了四种模型来自动给出患者摘要的多个 ICD 诊断编码，其中介绍了一种基于分层注意力 GRU（HA-GRU）的分层标签文档方法，其实现了最先进的结果，并且通过学习的句子级注意力层突显了模型的决策过程和为未来的改进提出了建议。

Sep, 2017

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