HiCu：在自动化ICD编码中利用层级结构进行课程学习
机器学习
2022-08-05 v1
摘要
医疗领域存在若干可提升临床医生效率的自动化机会。其中一个例子是当临床医生书写病历时辅助记录诊断代码的工具。我们研究利用课程学习进行医疗代码预测的自动化，课程学习是一种机器学习模型的训练策略，逐渐将学习任务从易到难增加难度。课程学习的挑战之一在于课程设计——即逐步增加难度的任务序列设计。我们提出层级课程学习（HiCu），一种利用输出空间中的图结构为多标签分类设计课程的算法。我们为从患者自然语言描述预测ICD诊断和手术代码的多标签分类模型创建课程。通过利用ICD代码的层级结构（其基于人体各种器官系统对诊断代码分组），我们发现所提出的课程改善了基于循环、卷积和transformer架构的神经网络预测模型的泛化能力。我们的代码可在 https://github.com/wren93/HiCu-ICD 获取。
引用
@article{arxiv.2208.02301,
title = {HiCu: Leveraging Hierarchy for Curriculum Learning in Automated ICD Coding},
author = {Weiming Ren and Ruijing Zeng and Tongzi Wu and Tianshu Zhu and Rahul G. Krishnan},
journal= {arXiv preprint arXiv:2208.02301},
year = {2022}
}
备注
To appear at Machine Learning for Healthcare Conference (MLHC2022)