基于相关和层次码描述筛选的一种新型ICD编码框架
本文提出了一种具有注意力机制的分层深度学习模型,该模型可以根据诊断描述自动分配ICD诊断代码。实验结果表明,我们的深度学习模型能够在合理的范围内自动编码,并为计算机辅助ICD编码提供了框架。
Nov, 2017
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
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
提出了一种称为多跳标签注意力(MHLAT)的简单但有效的模型,通过多跳标签注意力机制获取更精确和丰富的表示,以解决ICD编码中的标签分类问题及预训练语言模型的巨大内存使用问题。在三个基准MIMIC数据集上进行的广泛实验表明,该方法在所有七个指标上达到了显著更好或可比性能,且参数较少。
Sep, 2023
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
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
自动国际疾病分类(ICD)编码在从临床记录中提取相关信息以进行正确记录和计费方面起着关键作用。在提高自动ICD编码性能方面,建模ICD代码关系是其中最重要的方向之一。然而,当前方法不足以充分建模ICD代码之间的复杂关系,并经常忽视临床记录中的上下文重要性。本文提出了一种新颖的方法,即一个上下文化和灵活的框架,以增强ICD代码表示的学习。与现有方法不同,我们的方法采用了一种依赖学习范式,考虑临床记录的上下文来建模所有可能的代码关系。我们在六个公共ICD编码数据集上评估了我们的方法,实验结果证明了与现有基线方法相比我们方法的有效性。
Feb, 2024
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