- 基于相关和层次码描述筛选的一种新型 ICD 编码框架
基于关联和层次化代码描述提炼（AHDD）的新框架用于改善代码表示学习和避免错误的代码分配。实验证明，该框架在基准数据集上优于几种最先进的基线方法。
- 探索 LLM 多智能体用于 ICD 编码
本文介绍了一种新颖的基于多智能体方法的 ICD 编码方法，模仿真实世界的编码过程，并使用基于大型语言模型的模型进行编码。通过在 MIMIC-III 数据集上进行评估，我们展示了我们提出的多智能体编码框架在常见和罕见代码方面相对于零样本 Co - ACL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 - MHLAT：用于自动 ICD 编码的多跳标签注意模型
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 - TreeMAN: 增强树型多模态注意力网络用于 ICD 编码
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 - ACL一种用于高效 ICD 编码的两阶段解码器
本文提出了一个两阶段解码机制来预测国际疾病分类（ICD）码，该模型利用了代码的分层属性，在公共 MIMIC-III 数据集上表现良好。
- Mimic-IV-ICD：一个新的极端多标签分类基准
本文提出了一个基于 MIMIC-IV 公共电子病历数据集的 ICD 编码公共基准套件，使数据预处理标准化并建立全面的 ICD 编码基准数据集，加速未来研究中采用自动 ICD 编码的进展。
- 为临床 ICD 编码建模时间文档序列
本研究提出一种基于层次变压器架构的 ICD 编码方法，使用病人整个住院期间的所有临床笔记进行编码，并结合文本元数据嵌入，如位置，时间和笔记类型等，在使用 MIMIC-III 数据集进行测试时，模型在仅使用出院摘要作为输入时超越了以前的最佳表 - 基于极端多标签长文本变换器的自动 ICD 编码模型
本研究探讨基于 Transformer 的模型用于自动化 ICD 编码任务，研究基于 MIMIC-III 数据集的三种 Transformer 模型表现，并对一个优化过的 PLM-ICD 模型和一个新的 XR-LAT 模型进行了评估，证明优 - HieNet：自动 ICD 编码的双向层级框架
本研究提出了一种新颖的双向层次框架（HieNet），其中包括个性化的 PageRank 算法、双向层次通道编码器和渐进预测方法，以解决医疗记录自动 ICD 编码中存在的异质性、标签不平衡和 ICD 代码之间复杂关系的挑战，两个广泛使用的数据 - 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。
- BERT 面向长文档的案例研究：自动化 ICD 编码
本研究证明了一种简单可扩展的方法，使用已有的 Transformer 模型（如 BERT）处理长文本在 ICD 编码上的表现明显优于以往，比 CNN-based 模型更为出色。
- 使用预训练语言模型进行自动 ICD 编码
本文旨在分析预训练语言模型在自动 ICD 编码任务上表现不佳的原因，并提出了 PLMICD 框架来克服该问题，实验证明该框架在 ICD 编码任务上能够取得最先进的性能。
- MM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。
- 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- - ACL自动 ICD 编码的诊断标签相关性建模
提出一个两阶段的框架，通过捕捉标签相关性来提高自动 ICD 编码，利用标签集分布估计器和基准预测器来生成每个标签集候选项的概率，并重排序，以解决测量标签相关性的问题。
- 从巴西葡萄牙语临床笔记中预测多个 ICD-10 代码
该论文提出了使用机器学习模型对巴西葡萄牙语临床记录中的 ICD 编码进行自动化预测的方法，并采用 Logistic 回归模型、卷积神经网络、门控循环神经网络和具有 Attention 机制的 CNN 模型进行研究和优化。该论文的主要贡献是在 - IJCAI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。
- BERT-XML：利用 BERT 预训练进行大规模自动 ICD 编码
该研究提出了一种名为 BERT-XML 的机器学习模型，利用最近发展的无监督预训练，从电子病历中自动化地进行 ICD 编码，利用数百万电子病历笔记训练了一个 BERT 模型以预测数千个独特的 ICD 代码。