临床记录中医学编码预测：从人工编码到机器编码
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
本论文提出了一种基于多视角注意力的神经网络用于从临床文本中预测医疗代码，该方法通过融合临床文本语义上下文、标签（医疗代码）空间的关系以及每对临床文本和医疗代码之间的对齐来实现，经实验证明，在开源数据集上获得了优秀的性能表现。
May, 2023
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
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。
Oct, 2022
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。
Jan, 2022
本文提出了一种结合了结构化信息和文本医疗笔记的通用多任务框架，用于预测疾病发病率。与传统的基于文本的预测模型相比，我们的方法不需要特定于疾病的特征工程，并且可以处理存在于文本中的否定和数值。在 100 万名患者的队列中，我们的模型表明使用文本的模型优于仅使用结构化数据的模型，并且能够使用文本中的数值和否定，进一步提高预测性能。此外，我们比较了医疗专业人员用于解释模型预测的不同可视化方法。
Aug, 2018
本文介绍一种使用神经网络对 Icelandic CTNs 数据集进行半自我监督的数据增强方法，以预测医生对某些疾病的诊断。该方法可以弥补医疗数据稀缺的不足，并证明了机器学习在医学数据分析中的有效性。
May, 2022
评估人工及自动化临床编码的质量和一致性，对于改进直接护理、支持临床沟通和促进临床研究至关重要。比较人工和计算机生成的编码与标准值，结果表明人工稍微优于自动化编码，但二者在仅包含一个诊断的自由文本描述中表现更好。
Nov, 2023