DeepTag：在资源匮乏医疗领域从临床笔记推断全因诊断
计算与语言
2018-09-05 v2
摘要
大规模兽医临床记录可成为患者护理与研究的强大资源。然而，临床医生缺乏时间和资源用标准医学诊断编码标注患者记录，且大多数兽医就诊记录以自由文本笔记形式保存。缺乏标准编码使得利用临床数据改善患者护理颇具挑战。它也是跨物种转化研究的主要障碍，该类研究依赖于能够在人类与动物中准确识别具有特定诊断标准的患者队列的能力。为减轻兽医临床实践的编码负担并助力转化研究，我们开发了深度学习算法 DeepTag，可自动从兽医自由文本笔记推断诊断编码。DeepTag 在一个新近整理的由专家手动标注的 112,558 条兽医笔记数据集上训练。DeepTag 扩展了多任务 LSTM，并采用改进的层次化目标函数以捕捉疾病间的语义结构。为促进人机协作，DeepTag 还学习在不确定时弃判并将样本交由人类专家处理，从而提升性能。即便在具有挑战性的跨医院场景中（文本来自不同于训练所用的临床环境），DeepTag 也能从自由文本准确推断疾病编码。它以最小预处理实现了广泛临床诊断的自动化疾病标注。本工作的技术框架可应用于当前缺乏医学编码资源的其他医疗领域。
引用
@article{arxiv.1806.10722,
title = {DeepTag: inferring all-cause diagnoses from clinical notes in under-resourced medical domain},
author = {Allen Nie and Ashley Zehnder and Rodney L. Page and Arturo L. Pineda and Manuel A. Rivas and Carlos D. Bustamante and James Zou},
journal= {arXiv preprint arXiv:1806.10722},
year = {2018}
}
备注
17 pages, 6 figures. Updated the text for clarity