基于上下文神经语言模型的改进文档分类模型用于临床笔记表型分析
计算与语言
2020-09-18 v2
摘要
临床笔记包含患者健康状况的广泛记录，例如吸烟状况或心脏疾病的存在。然而，这一细节并未在电子健康系统的结构化数据中复现。表型分析，即从自由临床文本中提取患者状况，是一项关键任务，支撑着诸如决策支持和医疗记录二次利用等多种下游应用。先前的工作已产生高性能的系统，但往往需要人工工程，通常是规则的设计。近期在预训练上下文语言模型方面的工作已推动文本表示在多种任务中的进展。因此，我们探索了几种仅依赖临床笔记的 BERT 表示的表型建模架构，消除了手动工程的需要。我们发现这些架构在两个表型任务上与现有最先进方法相当或优于它们。
引用
@article{arxiv.1910.13664,
title = {Phenotyping of Clinical Notes with Improved Document Classification Models Using Contextualized Neural Language Models},
author = {Andriy Mulyar and Elliot Schumacher and Masoud Rouhizadeh and Mark Dredze},
journal= {arXiv preprint arXiv:1910.13664},
year = {2020}
}
备注
Machine Learning for Health (ML4H) at NeurIPS 2019 - Extended Abstract The original paper was published in December 2019. After publication, we identified a bug in our code that resulted in an error in our reported results. This version of the paper corrects that error and clarifies some of our descriptions of the experiments