MHLAT：用于自动 ICD 编码的多跳标签级注意力模型
计算与语言
2023-09-19 v1 人工智能
摘要
国际疾病分类（ICD）编码是将 ICD 诊断代码分配给临床笔记的任务。鉴于标签数量庞大（近 9,000 个）且文本冗长（最多 8,000 个 token），该任务颇具挑战。然而，与先前工作的单次阅读过程不同，人类倾向于反复阅读文本与标签定义以获得更确信的答案。此外，尽管预训练语言模型已被用于解决这些问题，但它们受困于巨大的内存占用。为解决上述问题，我们提出一个简单而有效的模型，称为多跳标签级注意力（Multi-Hop Label-wise ATtention, MHLAT），其中部署多跳标签级注意力以获取更精确且更具信息量的表示。在三个基准 MIMIC 数据集上的大量实验表明，我们的方法在所有七项指标上取得了显著更优或具竞争力的性能，且需优化的参数少得多。
引用
@article{arxiv.2309.08868,
title = {MHLAT: Multi-hop Label-wise Attention Model for Automatic ICD Coding},
author = {Junwen Duan and Han Jiang and Ying Yu},
journal= {arXiv preprint arXiv:2309.08868},
year = {2023}
}
备注
5 pages, 1 figure, accepted in ICASSP 2023