用于临床文本医疗编码分配的扩张卷积注意力网络
计算与语言
2021-09-27 v1 信息检索
摘要
医疗编码分配从临床文本预测医疗编码，是智能医疗信息系统的基础任务。自然语言处理中深度模型的出现推动了自动分配方法的发展。然而，近期带有扁平卷积或多通道特征拼接的先进神经架构忽略了文本序列内的序列因果约束，可能无法学习有意义的临床文本表示，尤其对于具有长期序列依赖的长篇临床笔记。本文提出一种扩张卷积注意力网络（DCAN），融合扩张卷积、残差连接与标签注意力，用于医疗编码分配。它采用扩张卷积以指数级随扩张尺寸增长的感受野捕获复杂医疗模式。在真实世界临床数据集上的实验经验性地表明我们的模型改进了当前最优（SOTA）。
引用
@article{arxiv.2009.14578,
title = {Dilated Convolutional Attention Network for Medical Code Assignment from Clinical Text},
author = {Shaoxiong Ji and Erik Cambria and Pekka Marttinen},
journal= {arXiv preprint arXiv:2009.14578},
year = {2021}
}
备注
The 3rd Clinical Natural Language Processing Workshop at EMNLP 2020