基于门控卷积与病历-编码交互的医学编码赋值

从临床文本中进行医学编码赋值是临床信息系统管理中的一项基础任务。由于医学记录通常冗长且医学编码系统的码空间庞大，该任务是一个长期存在的挑战。近期工作应用深度神经网络模型来编码医学记录并将医学编码分配给临床文档。然而，这些方法仍不够有效，因为它们未能充分编码并捕获医学记录冗长而丰富的语义信息，也未显式利用记录与编码之间的交互。我们提出一种新方法，即门控卷积神经网络与病历-编码交互(GatedCNN-NCI)，用于自动医学编码赋值以克服这些挑战。我们的方法通过在医学记录编码模块中利用嵌入注入与门控信息传播，捕获冗长临床文本的丰富语义信息以获得更好的表示。通过新颖的病历-编码交互设计与图消息传递机制，我们显式捕获记录与编码之间的潜在依赖，实现有效的编码预测。进一步设计了权重共享方案以减少可训练参数数量。在真实世界临床数据集上的实证实验表明，我们所提模型在大多数情况下优于最先进模型，且模型规模与轻量基线相当。