Fugu-MT 論文翻訳(概要): TreeMAN: Tree-enhanced Multimodal Attention Network for ICD Coding

論文の概要: TreeMAN: Tree-enhanced Multimodal Attention Network for ICD Coding

arxiv url: http://arxiv.org/abs/2305.18576v1
Date: Mon, 29 May 2023 19:37:26 GMT
ステータス: 処理完了
システム内更新日: 2023-05-31 19:36:18.421271
Title: TreeMAN: Tree-enhanced Multimodal Attention Network for ICD Coding
Title（参考訳）: treeman:icd符号化のためのツリーエンハンスドマルチモーダルアテンションネットワーク
Authors: Zichen Liu, Xuyuan Liu, Yanlong Wen, Guoqing Zhao, Fen Xia, Xiaojie Yuan
Abstract要約: 我々は,ICDコード予測のためのツリー拡張型マルチモーダルアテンションネットワーク(TreeMAN)を提案する。提案手法は,従来のICD符号化手法よりも優れていた。
参考スコア（独自算出の注目度）: 8.925461628247525
License: http://creativecommons.org/licenses/by/4.0/
Abstract: ICD coding is designed to assign the disease codes to electronic health records (EHRs) upon discharge, which is crucial for billing and clinical statistics. In an attempt to improve the effectiveness and efficiency of manual coding, many methods have been proposed to automatically predict ICD codes from clinical notes. However, most previous works ignore the decisive information contained in structured medical data in EHRs, which is hard to be captured from the noisy clinical notes. In this paper, we propose a Tree-enhanced Multimodal Attention Network (TreeMAN) to fuse tabular features and textual features into multimodal representations by enhancing the text representations with tree-based features via the attention mechanism. Tree-based features are constructed according to decision trees learned from structured multimodal medical data, which capture the decisive information about ICD coding. We can apply the same multi-label classifier from previous text models to the multimodal representations to predict ICD codes. Experiments on two MIMIC datasets show that our method outperforms prior state-of-the-art ICD coding approaches. The code is available at https://github.com/liu-zichen/TreeMAN.
Abstract（参考訳）: ICD符号化は、請求書や臨床統計に欠かせない電子健康記録(EHR)に病気の符号を割り当てるように設計されている。手動符号化の有効性と効率を改善するため,臨床ノートからICD符号を自動的に予測する手法が多数提案されている。しかしながら,eersの構造化医療データに含まれている決定的な情報を無視した先行研究は少なく,騒がしい臨床記録から捉えることは困難である。本稿では,木に基づく特徴を持つテキスト表現を拡張し,表的特徴とテクスト的特徴をマルチモーダル表現に融合する,木強調型マルチモーダルアテンションネットワーク (treeman) を提案する。木に基づく特徴は、構造化されたマルチモーダル医療データから学習した決定木に基づいて構築される。従来のテキストモデルと同じマルチラベル分類器をマルチモーダル表現に適用してicd符号を予測できる。 2つの模倣データセットに関する実験により,本手法が先行するicd符号化手法よりも優れていることが示された。コードはhttps://github.com/liu-zichen/treemanで入手できる。

関連論文リスト

Unlocking Potential Binders: Multimodal Pretraining DEL-Fusion for Denoising DNA-Encoded Libraries [51.72836644350993]
マルチモーダルプレトレーニング DEL-Fusion Model (MPDF) 我々は,異なる複合表現とそれらのテキスト記述の対比対象を適用した事前学習タスクを開発する。本稿では, 原子, 分子, 分子レベルでの複合情報をアマルガメートする新しいDEL融合フレームワークを提案する。
論文参考訳（メタデータ） (2024-09-07T17:32:21Z)
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)
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)
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)
Incorporating Constituent Syntax for Coreference Resolution [50.71868417008133]
本稿では,構成構文構造をグラフベースで組み込む手法を提案する。また、高次近傍情報を利用して構成木に富んだ構造をエンコードすることも検討する。 on the English and Chinese parts of OntoNotes 5.0 benchmark shows that our proposed model beats a strong baseline or a new-of-the-art performance。
論文参考訳（メタデータ） (2022-02-22T07:40:42Z)
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)
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)
BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文参考訳（メタデータ） (2020-09-24T00:42:36Z)
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)

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。