面向临床自动诊断的继承引导分层赋值方法

临床诊断旨在根据临床记录为患者分配诊断编码，在临床决策中起着至关重要的作用。考虑到人工诊断容易出错且耗时，许多基于临床文本挖掘的智能方法已被提出以执行自动诊断。然而，由于以下挑战，这些方法可能无法取得令人满意的结果。首先，大多数诊断编码较为罕见，且分布极不平衡。其次，现有方法难以捕捉诊断编码之间的相关性。第三，冗长的临床记录导致与编码相关的关键信息过度分散。为应对这些挑战，我们提出了一种结合继承引导分层赋值与共现图传播的新框架用于临床自动诊断。具体而言，我们提出一种分层联合预测策略以解决编码分布不平衡的挑战。然后，我们利用图卷积神经网络获取医学本体的相关性与语义表示。此外，我们引入多重注意力机制以提取关键信息。最后，在 MIMIC-III 数据集上的大量实验清楚地验证了我们的方法的有效性。