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

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

本文提出了一个两阶段解码机制来预测国际疾病分类（ICD）码，该模型利用了代码的分层属性，在公共 MIMIC-III 数据集上表现良好。

May, 2023

本研究使用 PubMedBERT，探究了自动 ICD 编码任务的性能。研究表明，目前的 BERT 模型在处理长文本时存在困难，提出更好的信息汇聚方法是改进 ICD 编码的主要需要。

Apr, 2021

自动国际疾病分类（ICD）编码在从临床记录中提取相关信息以进行正确记录和计费方面起着关键作用。在提高自动 ICD 编码性能方面，建模 ICD 代码关系是其中最重要的方向之一。然而，当前方法不足以充分建模 ICD 代码之间的复杂关系，并经常忽视临床记录中的上下文重要性。本文提出了一种新颖的方法，即一个上下文化和灵活的框架，以增强 ICD 代码表示的学习。与现有方法不同，我们的方法采用了一种依赖学习范式，考虑临床记录的上下文来建模所有可能的代码关系。我们在六个公共 ICD 编码数据集上评估了我们的方法，实验结果证明了与现有基线方法相比我们方法的有效性。

Feb, 2024

本文提出了一种新颖的 ICD 索引方法，采用多级深度扩张残余卷积编码器来聚合临床记录的信息，学习不同长度文本的文档表示；通过辅助医疗记录的医学知识，包括临床文本、临床编码术语和药物处方等，以更好地推断 ICD 代码；引入图卷积网络利用 ICD 代码的共现模式，提高标签表示质量。实验结果表明，所提出的方法在多项指标上达到了最先进的性能。

May, 2024

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

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

该研究提出了一种名为 BERT-XML 的机器学习模型，利用最近发展的无监督预训练，从电子病历中自动化地进行 ICD 编码，利用数百万电子病历笔记训练了一个 BERT 模型以预测数千个独特的 ICD 代码。

May, 2020

本文介绍 ICDBigBird，一种基于 BigBird 模型的方法，可以将图卷积网络（GCN）与一个可以处理更大文档的 BigBird 上下文模型相结合，以创造出其嵌入的 'enriched' 描述，实验结果表明，ICDBigBird 在 ICD 分类任务上具有显著的优势。

Apr, 2022