論文の概要: Modeling Diagnostic Label Correlation for Automatic ICD Coding

• arxiv url: http://arxiv.org/abs/2106.12800v1
• Date: Thu, 24 Jun 2021 07:26:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-25 15:10:28.524426
• Title: Modeling Diagnostic Label Correlation for Automatic ICD Coding
• Title（参考訳）: 自動ICD符号化のためのモデリングラベル相関
• Authors: Shang-Chi Tsai, Chao-Wei Huang, Yun-Nung Chen
• Abstract要約: ラベル相関をキャプチャして自動ICD符号化を改善するための2段階フレームワークを提案する。 具体的には,ラベル集合分布推定器を訓練し,各ラベル集合候補の確率を再評価する。 実験では,提案フレームワークはMIMICベンチマークデータセット上で最高の性能の予測器を改善することができる。
• 参考スコア（独自算出の注目度）: 37.79764232289666
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Given the clinical notes written in electronic health records (EHRs), it is challenging to predict the diagnostic codes which is formulated as a multi-label classification task. The large set of labels, the hierarchical dependency, and the imbalanced data make this prediction task extremely hard. Most existing work built a binary prediction for each label independently, ignoring the dependencies between labels. To address this problem, we propose a two-stage framework to improve automatic ICD coding by capturing the label correlation. Specifically, we train a label set distribution estimator to rescore the probability of each label set candidate generated by a base predictor. This paper is the first attempt at learning the label set distribution as a reranking module for medical code prediction. In the experiments, our proposed framework is able to improve upon best-performing predictors on the benchmark MIMIC datasets. The source code of this project is available at https://github.com/MiuLab/ICD-Correlation.
• Abstract（参考訳）: 電子健康記録(EHR)に記載されている臨床記録から,多ラベル分類課題として定式化された診断符号の予測は困難である。 ラベルの大きなセット、階層的な依存関係、不均衡なデータなどは、この予測タスクを極めて困難にします。 既存の作業の多くは、ラベル間の依存関係を無視して、ラベルごとにバイナリ予測を構築した。 この問題に対処するために,ラベル相関をキャプチャして自動ICD符号化を改善するための2段階フレームワークを提案する。 具体的には,ラベルセット分布推定器をトレーニングし,ベース予測器によって生成されたラベルセット候補の確率を再評価する。 本稿では,医療用コード予測モジュールとしてラベルセット分布を学習するための最初の試みである。 実験では,提案フレームワークはMIMICベンチマークデータセット上で最高の性能の予測器を改善することができる。 プロジェクトのソースコードはhttps://github.com/MiuLab/ICD-Correlationで公開されている。

関連論文リスト

• Label Matching Semi-Supervised Object Detection [85.99282969977541]
  半教師対象検出は,教師主導型自己学習の開発において大きな進歩を遂げている。 ラベルミスマッチ問題は、以前の研究でまだ完全に解明されていないため、自己学習中に重大な確証バイアスが生じる。 本稿では,2つの異なる相補的視点から,単純かつ効果的な LabelMatch フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-14T05:59:41Z)
• Instance-Dependent Partial Label Learning [69.49681837908511]
  部分ラベル学習は、典型的には弱教師付き学習問題である。 既存のほとんどのアプローチでは、トレーニングサンプルの間違ったラベルがランダムに候補ラベルとして選択されていると仮定している。 本稿では,各例が実数で構成された潜在ラベル分布と関連していると仮定する。
  論文  参考訳（メタデータ） (2021-10-25T12:50:26Z)
• Enhancing Label Correlation Feedback in Multi-Label Text Classification via Multi-Task Learning [6.1538971100140145]
  ラベル相関フィードバックを高めるために,マルチタスク学習を用いた新しい手法を提案する。 本稿では,ラベル相関学習を強化するための2つの補助ラベル共起予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-06-06T12:26:14Z)
• 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)
• From Extreme Multi-label to Multi-class: A Hierarchical Approach for Automated ICD-10 Coding Using Phrase-level Attention [4.387302129801651]
  臨床コーディングは、ICD(International Classification of Diseases)と呼ばれる一組のアルファ数値符号を、臨床物語で捉えた文脈に基づいて医療イベントに割り当てるタスクである。 本論文では, 階層的解を用いて, 極限多ラベル問題から単純多クラス問題へ再構成し, 自動ICD符号化のための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-02-18T03:19:14Z)
• Uncertainty-Aware Label Refinement for Sequence Labeling [47.67853514765981]
  長期ラベル依存性をモデル化する新しい2段階ラベルデコードフレームワークを提案する。 ベースモデルはまずドラフトラベルを予測し、次に新しい2ストリーム自己アテンションモデルはこれらのドラフト予測を洗練します。
  論文  参考訳（メタデータ） (2020-12-19T06:56:59Z)
• A Study on the Autoregressive and non-Autoregressive Multi-label Learning [77.11075863067131]
  本稿では,ラベルとラベルの依存関係を共同で抽出する自己アテンションに基づく変分エンコーダモデルを提案する。 したがって、ラベルラベルとラベル機能の両方の依存関係を保ちながら、すべてのラベルを並列に予測することができる。
  論文  参考訳（メタデータ） (2020-12-03T05:41:44Z)
• Coping with Label Shift via Distributionally Robust Optimisation [72.80971421083937]
  分散ロバスト最適化(DRO)に基づく目的最小化モデルを提案する。 そこで我々は,提案した目的を最適化するために,大規模問題に適した勾配降下近位ミラー上昇アルゴリズムを設計し,解析する。
  論文  参考訳（メタデータ） (2020-10-23T08:33:04Z)

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。