論文の概要: An Automatic ICD Coding Network Using Partition-Based Label Attention
- arxiv url: http://arxiv.org/abs/2211.08429v1
- Date: Tue, 15 Nov 2022 07:11:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 14:28:45.814302
- Title: An Automatic ICD Coding Network Using Partition-Based Label Attention
- Title（参考訳）: 分割型ラベルアテンションを用いた自動IDD符号化ネットワーク
- Authors: Daeseong Kim, Haanju Yoo, Sewon Kim
- Abstract要約: 本稿では,2種類のエンコーダと2種類のラベルアテンション層からなるニューラルネットワークアーキテクチャを提案する。
入力テキストは、前者エンコーダにセグメント符号化され、従者によって統合される。
この結果から,ネットワークは分割機構に基づくICD符号化性能の向上を図っている。
- 参考スコア（独自算出の注目度）: 2.371982686172067
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: International Classification of Diseases (ICD) is a global medical
classification system which provides unique codes for diagnoses and procedures
appropriate to a patient's clinical record. However, manual coding by human
coders is expensive and error-prone. Automatic ICD coding has the potential to
solve this problem. With the advancement of deep learning technologies, many
deep learning-based methods for automatic ICD coding are being developed. In
particular, a label attention mechanism is effective for multi-label
classification, i.e., the ICD coding. It effectively obtains the label-specific
representations from the input clinical records. However, because the existing
label attention mechanism finds key tokens in the entire text at once, the
important information dispersed in each paragraph may be omitted from the
attention map. To overcome this, we propose a novel neural network architecture
composed of two parts of encoders and two kinds of label attention layers. The
input text is segmentally encoded in the former encoder and integrated by the
follower. Then, the conventional and partition-based label attention mechanisms
extract important global and local feature representations. Our classifier
effectively integrates them to enhance the ICD coding performance. We verified
the proposed method using the MIMIC-III, a benchmark dataset of the ICD coding.
Our results show that our network improves the ICD coding performance based on
the partition-based mechanism.
- Abstract（参考訳）: international classification of diseases (icd) は、患者の臨床記録に適した診断と治療のためのユニークなコードを提供する世界的な医療分類システムである。
しかし、人間のコーダによる手動コーディングは高価でエラーを起こしやすい。
自動ICD符号化はこの問題を解決する可能性がある。
ディープラーニング技術の進歩に伴い、自動ICD符号化のための多くのディープラーニングベースの手法が開発されている。
特に、ラベル注意機構はマルチラベル分類、すなわちicd符号化に有効である。
入力された臨床記録からラベル特異的表現を効果的に取得する。
しかし、既存のラベルアテンション機構は、テキスト全体のキートークンを一度に見つけるため、各段落に分散された重要な情報をアテンションマップから省略することができる。
そこで本研究では,2種類のエンコーダと2種類のラベルアテンション層からなるニューラルネットワークアーキテクチャを提案する。
入力テキストは、前者エンコーダにセグメント符号化され、従者によって統合される。
次に、従来および分割に基づくラベルアテンション機構は、重要なグローバルおよび局所的な特徴表現を抽出する。
我々の分類器はICD符号化性能を高めるために効果的に統合する。
ICD符号化のベンチマークデータセットMIMIC-IIIを用いて提案手法の検証を行った。
その結果,ネットワークは分割機構に基づくICD符号化性能の向上を図っている。
関連論文リスト
- Prototypical Hash Encoding for On-the-Fly Fine-Grained Category Discovery [65.16724941038052]
カテゴリ対応プロトタイプ生成(CPG)とディスクリミカテゴリ5.3%(DCE)が提案されている。
CPGは、各カテゴリを複数のプロトタイプで表現することで、カテゴリ内の多様性を完全にキャプチャすることを可能にする。
DCEは生成されたカテゴリプロトタイプのガイダンスによってハッシュコードの識別能力を向上する。
論文 参考訳（メタデータ） (2024-10-24T23:51:40Z) - Auxiliary Knowledge-Induced Learning for Automatic Multi-Label Medical Document Classification [22.323705343864336]
3つのアイデアを取り入れた新しいICDインデクシング手法を提案する。
臨床ノートから情報を収集するために,多レベル深部拡張残差畳み込みエンコーダを用いた。
我々はICD分類の課題を医療記録の補助的知識で定式化する。
論文 参考訳（メタデータ） (2024-05-29T13:44:07Z) - 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) - Accurate and Well-Calibrated ICD Code Assignment Through Attention Over
Diverse Label Embeddings [1.201425717264024]
ICDコードを臨床テキストに手動で割り当てるのは、時間がかかり、エラーが発生し、コストがかかる。
本稿では,ICDの自動符号化のための新しい手法について述べる。
MIMIC-IIIデータセットの異なる分割による実験は、提案手法がICD符号化における現在の最先端モデルより優れていることを示している。
論文 参考訳（メタデータ） (2024-02-05T16:40:23Z) - A Pseudo Label-wise Attention Network for Automatic ICD Coding [17.076068093443684]
本稿では,ICD(International Classification of Diseases)符号化の課題に対処するために,ラベルを意識した疑似アテンション機構を提案する。
異なるICDコードに対する異なるアテンションモードを計算する代わりに、擬似ラベル対応アテンション機構は、類似のICDコードと自動的にマージし、類似のICDコードに対して1つのアテンションモードしか計算しない。
提案モデルは,MIMIC-IIIデータセットとプライベートXiangyaデータセットにおいて優れた性能を発揮する。
論文 参考訳（メタデータ） (2021-06-12T17:03:27Z) - 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) - 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) - Inheritance-guided Hierarchical Assignment for Clinical Automatic
Diagnosis [50.15205065710629]
臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。
本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
論文 参考訳（メタデータ） (2021-01-27T13:16:51Z) - Dual-Refinement: Joint Label and Feature Refinement for Unsupervised
Domain Adaptive Person Re-Identification [51.98150752331922]
Unsupervised Domain Adaptive (UDA) Person Re-identification (再ID) は、ターゲットドメインデータのラベルが欠落しているため、難しい作業です。
オフラインクラスタリングフェーズにおける擬似ラベルとオンライントレーニングフェーズにおける特徴を共同で改良する,デュアルリファインメントと呼ばれる新しいアプローチを提案する。
本手法は最先端手法を大きなマージンで上回っている。
論文 参考訳（メタデータ） (2020-12-26T07:35:35Z) - A Label Attention Model for ICD Coding from Clinical Text [14.910833190248319]
自動ICD符号化のための新しいラベルアテンションモデルを提案する。
ICDコードに関連するテキストフラグメントの様々な長さと相互依存の両方を扱うことができる。
本モデルでは,3つのベンチマークMIMICデータセットに対して,最先端の新たな結果が得られる。
論文 参考訳（メタデータ） (2020-07-13T12:42:43Z) - LabelEnc: A New Intermediate Supervision Method for Object Detection [78.74368141062797]
本稿では,オブジェクト検出システムのトレーニングを促進するため,LabelEncという新たな中間監視手法を提案する。
鍵となるアイデアは、新しいラベル符号化機能を導入し、接地木ラベルを潜伏埋め込みにマッピングすることである。
実験の結果,COCOデータセット上での検出精度は,約2%向上した。
論文 参考訳（メタデータ） (2020-07-07T08:55:05Z)
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。