当前可解释性方法能否为临床笔记中的医学编码标注提供参考文献支持？
机器学习
2022-10-31 v1 人工智能
计算与语言
摘要
从临床笔记预测医学编码的问题已在 NLP 领域获得广泛关注，近期若干研究展示了基于深度学习的成熟方法在编码预测上的最优（SOTA）结果。然而，尽管预测结果的可解释性对获取专业医学编码员的信任至关重要，大多数此前的 SOTA 深度学习工作在为预测编码提供文本参考与解释方面仍处于早期阶段。这引出了一个关键问题：当前可解释性方法在应用于 transformer 等先进神经网络模型以预测正确编码并呈现临床笔记中支持编码预测的参考时，效果究竟如何。首先，我们提出可解释的 Read, Attend, and Code（xRAC）框架，并通过简化但详尽的人本评估，基于 SOTA transformer 模型 RAC，评估两种方案——基于注意力分数的 xRAC-ATTN 与基于模型无关知识蒸馏的 xRAC-KD。我们发现，xRAC-ATTN 高亮的支撑证据文本质量优于 xRAC-KD，而 xRAC-KD 在生产部署场景具潜在优势。更重要的是，我们首次表明：鉴于当前可解释性方法的发展水平，即便 SOTA 医学编码预测系统预测精度优于人类编码员，其使用仍需要专业编码员的知识与能力。我们相信，这是迈向开发可解释且精准的机器学习系统以实现从临床笔记全自动医学编码预测的有意义一步。
引用
@article{arxiv.2210.15882,
title = {Can Current Explainability Help Provide References in Clinical Notes to Support Humans Annotate Medical Codes?},
author = {Byung-Hak Kim and Zhongfen Deng and Philip S. Yu and Varun Ganapathi},
journal= {arXiv preprint arXiv:2210.15882},
year = {2022}
}
备注
To appear in Proceedings of the 13th International Workshop on Health Text Mining and Information Analysis (Louhi 2022), Virtual, December 7, 2022