通过标签内部对齐有效预测医学代码
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
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
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
本研究提出了一种基于门控卷积神经网络和笔记代码交互的新方法,以自动进行医学代码分配,该方法在现实世界的临床数据集上实验验证其有效性,性能优于现有模型。
Oct, 2020
本文提出了一种多视图学习框架,结合 ICD 代码和文本以提高临床机器学习应用的性能,采用图神经网络(GNN)和 Bi-LSTM 处理输入信息,并应用深度典型相关分析(DCCA)来强制实现两个视图的相似表示。实验结果表明,本方法在临床和多样文本应用中都具有良好的性能。
Jan, 2023