利用大规模生成式建模改进自动化兽医疾病编码
计算与语言
2018-11-30 v1
摘要
监督学习同时受限于标注数据的数量与质量。在病历标注领域，不同医院之间的书写风格差异极大。从一家医院学到的知识可能无法很好地迁移到另一家。这一问题在兽医学领域尤为突出，因为兽医诊所很少对其病历应用医学编码。我们提出并训练了首个用于自动化疾病编码的大规模生成式建模算法。我们证明，当辅以监督微调进行额外训练时，生成式建模能够学习判别性特征。我们系统地消融并评估了生成式建模对最终系统性能的影响。我们在具有显著领域偏移的跨医院挑战性设定下，将我们的模型与若干基线进行了比较。我们以较大优势优于具有竞争力的基线。此外，我们对模型所学内容提供了可解释性分析。
引用
@article{arxiv.1811.11958,
title = {Large-scale Generative Modeling to Improve Automated Veterinary Disease Coding},
author = {Yuhui Zhang and Allen Nie and James Zou},
journal= {arXiv preprint arXiv:1811.11958},
year = {2018}
}
备注
Machine Learning for Health (ML4H) Workshop at NeurIPS 2018 arXiv:1811.07216