本研究旨在解决将多标签分类任务转变为自回归生成任务的长尾挑战，通过引入新颖的生成自由文本的预训练目标，生成低维度的文本描述，从而推断出 ICD 代码，实验结果表明我们所提出的模型实现了新的 SOTA 表现，并设计了一种新的交叉关注再排序器来集成先前的 SOTA 和我们最佳的少样本编码预测。

Nov, 2022

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

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

通过研究调查临床记录的半结构化性质，我们提出了一种自动算法将其分割为不同的部分。为了解决现有 ICD 编码模型在数据有限性方面的可变性问题，我们引入了对于部分使用基于树编辑距离的软多标签相似度度量的对比预训练方法。此外，我们设计了一个掩码部分训练策略，使 ICD 编码模型能够定位与 ICD 编码相关的部分。广泛的实验结果表明，我们提出的训练策略有效地提升了现有 ICD 编码方法的性能。

Oct, 2023

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

该研究提出了一种多模态机器学习模型，用于预测 ICD-10 诊断代码，并通过集成不同模态的机器学习模型和提取关键证据来增强预测的可信度和可解释性。在解释性方面，该方法在文本数据上达到了 0.1806 的 Jaccard 相似系数，在表格数据上达到了 0.3105。

Oct, 2018

本文旨在分析预训练语言模型在自动 ICD 编码任务上表现不佳的原因，并提出了 PLMICD 框架来克服该问题，实验证明该框架在 ICD 编码任务上能够取得最先进的性能。

Jul, 2022

本文介绍了一种用于 ICD 编码的多阶段 “检索和重排序” 框架，通过混合离散检索方法和对比学习，在一个简化的标签空间中使模型能够更准确地预测，实验结果显示该方法在 MIMIC-III 基准测试上达到了最先进的性能水平。

May, 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