一种用于临床文本医学编码预测的可解释 CNN 方法
计算与语言
2021-01-28 v1 机器学习
摘要
方法：我们基于重症监护病房（ICU）住院临床文本，开发了用于自动 ICD 编码的基于 CNN 的方法。我们提出了浅而宽注意力卷积机制（SWAM），使我们的模型能为每个标签学习局部和低级特征。我们模型设计背后的关键思想是在临床文本中寻找与每个编码相关的信息片段的存在，并推断“信息片段”与卷积滤波器之间存在对应关系。结果：我们在 MIMIC-III（一个开放获取的 ICU 医疗记录数据集）上评估了我们的方法。我们的方法在 MIMIC-III 数据集的 top-50 医学编码预测上大幅优于先前的结果。我们将这一提升归因于 SWAM，其宽架构赋予模型更广泛地学习不同编码独特特征的能力，并通过消融实验加以证明。此外，我们对不同编码之间性能不平衡进行了人工分析，并初步总结了决定特定编码学习难度的特征。结论：我们提出了 SWAM，一种用于多标签文档分类的可解释 CNN 方法，它采用宽卷积层为每个标签学习局部和低级特征，在 ICD-9 编码预测任务上相较先前指标取得显著提升，同时为其内部机制提供了令人满意的解释。
引用
@article{arxiv.2101.11430,
title = {An Explainable CNN Approach for Medical Codes Prediction from Clinical Text},
author = {Shu Yuan Hu and Fei Teng},
journal= {arXiv preprint arXiv:2101.11430},
year = {2021}
}
备注
10 pages, 3 figures