BriefGPT - AI 论文速递
·
医疗信函的自动编码与可解释性的比较研究
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文介绍了层次化标签注意力网络（HLAN）和标签嵌入（LE）初始化方法，用于提高自动化医学编码的性能和深度学习模型的可解释性。实验结果显示，HLAN在预测排名前50个编码时具有最佳的微观级别AUC和F1值，并能突出显示每个标签中最显著的单词和句子。LE初始化方法能够提升大多数深度学习模型的性能。
🎯
关键要点
-
提出了一种层次化标签注意力网络（HLAN）和标签嵌入（LE）初始化方法。
-
旨在提高自动化医学编码的性能和深度学习模型的可解释性。
-
实验使用 MIMIC-III 出院摘要进行，结果显示 HLAN 在预测排名前 50 个编码时实现最佳微观级别 AUC 和 F1。
-
HLAN 能够突出显示每个标签中最显著的单词和句子。
-
相对于基线和 CNN 模型，HLAN 显示出更具意义和全面的模型解释。
-
LE 初始化方法一致提升大多数深度学习模型的性能。
🏷️
标签
➡️
