Fugu-MT 論文翻訳(概要): ACE-ICD: Acronym Expansion As Data Augmentation For Automated ICD Coding

論文の概要: ACE-ICD: Acronym Expansion As Data Augmentation For Automated ICD Coding

arxiv url: http://arxiv.org/abs/2511.07311v1
Date: Mon, 10 Nov 2025 17:11:20 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-11 21:18:45.385894
Title: ACE-ICD: Acronym Expansion As Data Augmentation For Automated ICD Coding
Title（参考訳）: ACE-ICD: 自動ICD符号化のためのデータ拡張としての頭字語拡張
Authors: Tuan-Dung Le, Shohreh Haddadan, Thanh Q. Thieu,
Abstract要約: 本稿では,医療用頭字語を拡張するために,大規模言語モデルを活用した新しい効果的なデータ拡張手法を提案する。我々のアプローチであるACE-ICDは、共通コード、レアコード、フルコード代入を含む、複数の設定にまたがる新しい最先端のパフォーマンスを確立します。
参考スコア（独自算出の注目度）: 2.0267433264426598
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Automatic ICD coding, the task of assigning disease and procedure codes to electronic medical records, is crucial for clinical documentation and billing. While existing methods primarily enhance model understanding of code hierarchies and synonyms, they often overlook the pervasive use of medical acronyms in clinical notes, a key factor in ICD code inference. To address this gap, we propose a novel effective data augmentation technique that leverages large language models to expand medical acronyms, allowing models to be trained on their full form representations. Moreover, we incorporate consistency training to regularize predictions by enforcing agreement between the original and augmented documents. Extensive experiments on the MIMIC-III dataset demonstrate that our approach, ACE-ICD establishes new state-of-the-art performance across multiple settings, including common codes, rare codes, and full-code assignments. Our code is publicly available.
Abstract（参考訳）: 電子カルテに疾患や処置コードを割り当てる作業である自動ICDコーディングは、臨床ドキュメントや請求書作成に不可欠である。既存の手法は主にコード階層とシノニムのモデル理解を強化するが、彼らはしばしば、ICDコード推論の重要な要素である臨床ノートにおける医学的頭字語の使用の広範性を見落としている。このギャップに対処するために,大規模な言語モデルを利用して医療用頭字語を拡張する新しい効果的なデータ拡張手法を提案する。さらに、原文書と増補文書の一致を強制することにより、一貫性のトレーニングを取り入れて予測を規則化する。 MIMIC-IIIデータセットの大規模な実験により、ACE-ICDは、共通コード、レアコード、フルコード割り当てを含む複数の設定にまたがって、新しい最先端のパフォーマンスを確立する。私たちのコードは公開されています。

関連論文リスト

Medchain: Bridging the Gap Between LLM Agents and Clinical Practice with Interactive Sequence [68.05876437208505]
臨床ワークフローの5つの重要な段階をカバーする12,163の臨床症例のデータセットであるMedChainを提示する。フィードバック機構とMCase-RAGモジュールを統合したAIシステムであるMedChain-Agentも提案する。
論文参考訳（メタデータ） (2024-12-02T15:25:02Z)
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)
Exploring LLM Multi-Agents for ICD Coding [15.730751450511333]
ICD符号化のためのマルチエージェント方式は実世界の符号化プロセスを効果的に模倣し、一般的な符号と稀な符号の両方の性能を向上させる。提案手法は, 事前学習や微調整を必要とする最先端のICD符号化手法に匹敵する結果を得るとともに, 稀なコード精度, 説明可能性で性能を向上する。
論文参考訳（メタデータ） (2024-04-01T15:17:39Z)
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 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)
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)
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)
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)
Learning Contextualized Document Representations for Healthcare Answer Retrieval [68.02029435111193]
コンテキスト談話ベクトル(英: Contextual Discourse Vectors、CDV)は、長文からの効率的な回答検索のための分散文書表現である。本モデルでは,階層型LSTMレイヤとマルチタスクトレーニングを併用したデュアルエンコーダアーキテクチャを用いて,臨床エンティティの位置と文書の談話に沿った側面をエンコードする。我々の一般化モデルは、医療パスランキングにおいて、最先端のベースラインを著しく上回っていることを示す。
論文参考訳（メタデータ） (2020-02-03T15:47:19Z)

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。