May, 2023

TreeMAN: 增强树型多模态注意力网络用于 ICD 编码

PDF
TL;DR本研究提出了一种基于 Tree-enhanced Multimodal Attention Network (TreeMAN) 的方法，将 EHR 中的结构化医疗数据和文本特征融合成多模态表示。通过决策树学习，TreeMAN 能够更好地捕捉 ICD 编码的决定性信息。实验证明，该方法优于现有 ICD 编码方法。
icd codingelectronic health recordsmultimodal attention networkstructured medical datadecision trees
发现论文，激发创造
  • 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

  • 一种基于注意力机制的临床文本 ICD 编码标签模型

    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

  • 使用基于分区标签注意力的自动 ICD 编码网络

    本论文提出一种新的神经网络架构，用于自动 ICD 编码，它包含两种编码器和两种标签注意层，分别从输入中提取重要的全局和局部特征表示，有效地提高了性能。我们在 MIMIC-III 数据集上验证了所提出方法的有效性。

    Nov, 2022

  • 自动 ICD 编码的多模态机器学习

    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

  • 多模态注意力网络学习用于语义源代码检索

    本文提出了一种新的多模式注意力网络（MMAN）来解决代码检索过程中的两个主要问题：缺少结构化特征以及深度学习方法的可解释性，其中.MMAM 能够准确地从大规模的代码库中检索代码片段，同时在实际数据集上也比当前最先进的方法表现更优秀。

    Sep, 2019

  • 通过关注多种标签嵌入进行准确和良好校准的 ICD 编码分配

    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

  • 基于注意力神经树解码的结构化多标签生物医学文本标记

    本文提出了一种基于序列到序列学习的模型，用于将非结构化文本与本体树中的任意数量术语进行标记，并在自动分配 MeSH 术语给生物医学摘要的重要任务上，优于现有方法。

    Oct, 2018

  • 基于患者笔记的多标签分类：以 ICD 编码分配为例的案例研究

    本文介绍了四种模型来自动给出患者摘要的多个 ICD 诊断编码，其中介绍了一种基于分层注意力 GRU（HA-GRU）的分层标签文档方法，其实现了最先进的结果，并且通过学习的句子级注意力层突显了模型的决策过程和为未来的改进提出了建议。

    Sep, 2017

  • 半自监督自动 ICD 编码

    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

  • 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