論文の概要: Explainable Automated Coding of Clinical Notes using Hierarchical Label-wise Attention Networks and Label Embedding Initialisation

• arxiv url: http://arxiv.org/abs/2010.15728v4
• Date: Fri, 16 Jul 2021 19:23:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-01 22:11:13.446063
• Title: Explainable Automated Coding of Clinical Notes using Hierarchical Label-wise Attention Networks and Label Embedding Initialisation
• Title（参考訳）: 階層的ラベルワイズアテンションネットワークとラベル埋め込み初期化を用いた臨床ノートの説明可能な自動符号化
• Authors: Hang Dong, V\'ictor Su\'arez-Paniagua, William Whiteley, Honghan Wu
• Abstract要約: 自動化医療符号化のためのディープラーニングに関する最近の研究は、有望なパフォーマンスを実現した。 本稿では,各ラベルに関連する単語や文の重要度(注意重みなど)を定量化し,モデルを解釈することを目的とした階層的ラベル・ワイド・アテンション・ネットワーク(HLAN)を提案する。 第2に,ラベル埋め込み(LE)初期化アプローチによる大規模深層学習モデルの拡張を提案する。これは,高密度かつ連続的なベクトル表現を学習し,その表現をモデル内の最終層とラベルの注意層に注入する。
• 参考スコア（独自算出の注目度）: 4.4036730220831535
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Diagnostic or procedural coding of clinical notes aims to derive a coded summary of disease-related information about patients. Such coding is usually done manually in hospitals but could potentially be automated to improve the efficiency and accuracy of medical coding. Recent studies on deep learning for automated medical coding achieved promising performances. However, the explainability of these models is usually poor, preventing them to be used confidently in supporting clinical practice. Another limitation is that these models mostly assume independence among labels, ignoring the complex correlation among medical codes which can potentially be exploited to improve the performance. We propose a Hierarchical Label-wise Attention Network (HLAN), which aimed to interpret the model by quantifying importance (as attention weights) of words and sentences related to each of the labels. Secondly, we propose to enhance the major deep learning models with a label embedding (LE) initialisation approach, which learns a dense, continuous vector representation and then injects the representation into the final layers and the label-wise attention layers in the models. We evaluated the methods using three settings on the MIMIC-III discharge summaries: full codes, top-50 codes, and the UK NHS COVID-19 shielding codes. Experiments were conducted to compare HLAN and LE initialisation to the state-of-the-art neural network based methods. HLAN achieved the best Micro-level AUC and $F_1$ on the top-50 code prediction and comparable results on the NHS COVID-19 shielding code prediction to other models. By highlighting the most salient words and sentences for each label, HLAN showed more meaningful and comprehensive model interpretation compared to its downgraded baselines and the CNN-based models. LE initialisation consistently boosted most deep learning models for automated medical coding.
• Abstract（参考訳）: 臨床ノートの診断または手続きコーディングは、疾患に関連する患者の情報をコード化した要約を導出することを目的としている。 このようなコーディングは通常、病院で手動で行われるが、医療コーディングの効率と精度を改善するために自動化される可能性がある。 自動化医療符号化のためのディープラーニングに関する最近の研究は、有望な性能を達成した。 しかしながら、これらのモデルの説明可能性は通常貧弱であり、臨床実践を確実に支援することができない。 もう一つの制限は、これらのモデルが主にラベル間の独立を前提としており、パフォーマンスを改善するために利用される可能性がある医療コード間の複雑な相関を無視していることである。 本稿では,各ラベルに関する単語と文の重要性(注意重みとして)を定量化することにより,モデルを解釈することを目的とした階層的ラベル回り注意ネットワーク(hlan)を提案する。 第2に,ラベル埋め込み(LE)初期化アプローチによる大規模深層学習モデルの拡張を提案する。これは,高密度かつ連続的なベクトル表現を学習し,その表現をモデル内の最終層とラベルの注意層に注入する。 我々はMIMIC-III放電サマリーの3つの設定を用いて,全コード,トップ50コード,英国NHS COVID-19遮蔽コードの評価を行った。 HLANとLEの初期化と最先端のニューラルネットワークに基づく手法を比較する実験を行った。 HLANは、トップ50のコード予測で最高のマイクロレベルAUCと$F_1$を獲得し、他のモデルにコード予測を防御するNHS COVID-19で同等の結果を得た。 HLANはラベルごとの単語や文を強調することにより、劣化したベースラインやCNNベースのモデルよりも意味があり包括的なモデル解釈を示した。 le初期化は、自動医療コーディングのためのほとんどのディープラーニングモデルを一貫して強化した。

関連論文リスト

• CoRelation: Boosting Automatic ICD Coding Through Contextualized Code Relation Learning [56.782963838838036]
  我々は,ICDコード表現の学習を促進するために,文脈的かつ柔軟なフレームワークである新しい手法を提案する。 提案手法では,可能なすべてのコード関係をモデル化する際の臨床ノートのコンテキストを考慮した,依存型学習パラダイムを採用している。
  論文  参考訳（メタデータ） (2024-02-24T03:25:28Z)
• A Two-Stage Decoder for Efficient ICD Coding [10.634394331433322]
  ICD符号の予測のための2段階復号機構を提案する。 まず、まず親コードを予測し、その子コードを前回の予測に基づいて予測する。 公開MIMIC-IIIデータセット実験により,本モデルが単一モデル設定で良好に動作することを示す。
  論文  参考訳（メタデータ） (2023-05-27T17:25:13Z)
• Automated Medical Coding on MIMIC-III and MIMIC-IV: A Critical Review and Replicability Study [60.56194508762205]
  我々は、最先端の医療自動化機械学習モデルを再現し、比較し、分析する。 その結果, 弱い構成, サンプル化の不十分さ, 評価の不十分さなどにより, いくつかのモデルの性能が低下していることが判明した。 再生モデルを用いたMIMIC-IVデータセットの総合評価を行った。
  論文  参考訳（メタデータ） (2023-04-21T11:54:44Z)
• Can Current Explainability Help Provide References in Clinical Notes to Support Humans Annotate Medical Codes? [53.45585591262433]
  本稿では、注意スコアに基づくxRAC-ATTNと、モデルに依存しない知識蒸留に基づくxRAC-KDの2つのアプローチについて説明する。 我々は,xRAC-ATTNが強調した支持エビデンステキストが,xRAC-KDよりも高品質であるのに対して,xRAC-KDは本番環境において潜在的に有利であることを示した。
  論文  参考訳（メタデータ） (2022-10-28T04:06:07Z)
• ICDBigBird: A Contextual Embedding Model for ICD Code Classification [71.58299917476195]
  文脈単語埋め込みモデルは、複数のNLPタスクにおいて最先端の結果を得た。 ICDBigBirdは、Graph Convolutional Network(GCN)を統合するBigBirdベースのモデルである。 ICD分類作業におけるBigBirdモデルの有効性を実世界の臨床データセットで実証した。
  論文  参考訳（メタデータ） (2022-04-21T20:59:56Z)
• Read, Attend, and Code: Pushing the Limits of Medical Codes Prediction from Clinical Notes by Machines [0.42641920138420947]
  医用コード代入マッピングを学習するための、読み取り、 attend、および Code (RAC) モデルを提示する。 RACは、現在最高のマクロF1を18.7%上回るSOTA(the New State of the Art)を確立している。 この新たなマイルストーンは、マシンにおける完全自律型医療コーディング(AMC)への重要な一歩となる。
  論文  参考訳（メタデータ） (2021-07-10T06:01:58Z)
• Active learning for medical code assignment [55.99831806138029]
  臨床領域における多ラベルテキスト分類におけるアクティブラーニング(AL)の有効性を示す。 MIMIC-IIIデータセットにICD-9コードを自動的に割り当てるために、よく知られたALメソッドのセットを適用します。 その結果、有益なインスタンスの選択は、大幅に減少したトレーニングセットで満足のいく分類を提供する。
  論文  参考訳（メタデータ） (2021-04-12T18:11:17Z)
• TransICD: Transformer Based Code-wise Attention Model for Explainable ICD Coding [5.273190477622007]
  国際疾患分類法 (ICD) は, 医療分野の請求システムにおいて有効かつ重要であることが示されている。 現在、ICDコードは手動で臨床メモに割り当てられており、多くのエラーを引き起こす可能性がある。 本稿では,文書のトークン間の相互依存を捉えるためにトランスフォーマーベースのアーキテクチャを適用し,コードワイド・アテンション・メカニズムを用いて文書全体のコード固有表現を学習する。
  論文  参考訳（メタデータ） (2021-03-28T05:34:32Z)
• Does the Magic of BERT Apply to Medical Code Assignment? A Quantitative Study [2.871614744079523]
  事前訓練されたモデルが、さらなるアーキテクチャエンジニアリングなしで医療コード予測に有用かどうかは明らかではない。 本稿では,単語間のインタラクションをキャプチャし,ラベル情報を活用する階層的な微調整アーキテクチャを提案する。 現在の傾向とは対照的に、我々は慎重に訓練された古典的なCNNは、頻繁なコードでMIMIC-IIIサブセット上の注意ベースのモデルを上回ることを実証します。
  論文  参考訳（メタデータ） (2021-03-11T07:23:45Z)
• A Meta-embedding-based Ensemble Approach for ICD Coding Prediction [64.42386426730695]
  国際疾病分類 (icd) は、世界中で臨床コーディングに使われているデファクトコードである。 これらのコードにより、医療提供者は償還を請求し、診断情報の効率的な保管と検索を容易にします。 提案手法は,日常的な医学データと科学論文の外部知識を用いて,効果的に単語ベクトルを訓練することにより,神経モデルの性能を高める。
  論文  参考訳（メタデータ） (2021-02-26T17:49:58Z)
• An Explainable CNN Approach for Medical Codes Prediction from Clinical Text [1.7746314978241657]
  我々は集中治療室(ICU)における臨床テキストに基づくCNNベースの自動ICD符号化法を開発した。 私たちは、私たちのモデルが各ラベルの局所的および低レベルの機能を学ぶことを可能にするShallow and Wide Attention Convolutional Mechanism(SWAM)を思いつきました。
  論文  参考訳（メタデータ） (2021-01-14T02:05:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。