Oct, 2022

当前解释性是否有助于为临床笔记提供参考，以支持人类注释医学代码？

PDF
TL;DR本文提出了一个基于 transformer 的可解释性医疗编码预测框架，并通过人工评估发现，尽管其预测准确性优于人类编码员，但由于当前可解释性方法的局限性，使用该系统仍需要专业编码员的专业知识。
medical codesnlpdeep learningexplainabilityautonomous prediction
发现论文，激发创造
  • 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

  • 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

  • 自动评论驾驶的文本解释

    本文介绍了一种基于深度学习的车辆控制器预测的自然语言解释模型，并通过新的模型改进了模型的性能，特别是在文本解释方面，达到了比基准模型更高的性能。

    Apr, 2023

  • 临床文本中医疗代码的可解释预测

    本文提出了一种使用卷积神经网络和注意力机制对临床文本进行医学编码的方法，并展示了该方法在精度和可解释性方面的优势。

    Feb, 2018

  • 面向推理感知的可解释视觉问答

    该研究提出了一种基于最先进的 VQA 框架的端到端解释生成模块，通过引入 LSTM 和 Transformer 解码器，生成人类可读的文本解释，同时保持 SOTA VQA 精度。

    Nov, 2022

  • 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

  • 在医疗记录中实现监督级可解释性的无监督方法

    在这项研究中，我们提出了一种无需人工注释的方法来生成可信和忠实的解释。我们展示了对自动医学编码任务的对抗鲁棒性训练如何提高解释的可信度，并引入了一种比现有方法更好的新解释方法 AttInGrad。通过在完全无监督的设置中结合这两个贡献，我们生成了与有监督方法相当甚至更好的解释。我们发布了我们的代码和模型权重。

    Jun, 2024

  • 用于可解释 ICD 编码的层级标签关注 Transformer 模型

    本文提出了一种基于层次化标签关注 Transformer 模型（HiLAT）的方法，用于从医疗文件中解释预测 ICD 代码。研究结果表明 HiLAT 与 ClinicalplusXLNet 相比在 MIMIC-III 中的前五十个 ICD-9 代码的 F1 得分更高，且关注权重的可视化表现出潜在的解释性工具。

    Apr, 2022

  • 基于描述的标签注意力分类器用于可解释 ICD-9 分类

    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

  • TransICD：基于 Transformer 编码注意力模型的可解释 ICD 编码

    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