无监督方法实现医疗记录的受监督级可解释性

电子医疗记录对患者安全至关重要，因其记录了病情、计划和程序，形式为自由文本和医学代码。语言模型显著提升了此类记录的处理，简化了工作流程，减少了手动数据录入，从而为医疗机构节省了大量资源。然而，这些模型的黑箱本质常使医疗专业人员对其缺乏信任。最先进的可解释性方法增加了模型透明度，但依赖人工标注的证据片段，成本高昂。本研究提出一种无需此类标注即可生成合理且忠实解释的方法。我们在自动医疗编码任务上演示，对抗鲁棒训练可提高解释的可信度，并引入 AttInGrad 一种新的解释方法优于先前方法。通过将两者组合在完全无监督的设置中，我们产生的解释质量可与受监督方法相当或更好。我们公开代码和模型权重。