Auxiliary Knowledge-Induced Learning for Automatic Multi-Label Medical Document Classification

本文介绍了国际疾病分类（ICD）作为一种权威的医学分类系统，用于不同疾病和情况的临床和管理目的。ICD索引将ICD代码子集分配给医疗记录。由于人工编码工作量大且容易出错，因此许多研究采用机器学习来自动化编码过程。ICD编码是一项具有挑战性的任务，因为它需要从一个极其庞大的分层组织集合中为每个医疗文档分配多个代码。本文提出了一种新的ICD索引方法，采用三个思路：（1）我们使用多级深度膨胀残差卷积编码器来聚合临床笔记中的信息，并跨不同长度的文本学习文档表示；（2）我们利用医疗记录的辅助知识来形式化ICD分类任务，这些记录不仅包括临床文本，还包括不同的临床代码术语和药物处方，以更好地推断ICD代码；（3）我们引入图卷积网络来利用ICD代码之间的共现模式，旨在提高标签表示的质量。实验结果表明，所提出的方法在许多指标上实现了最先进的性能。

本论文旨在解决ICD编码的自动化问题，通过机器学习方法实现对医疗记录的ICD编码，提高编码的效率和准确性。

该论文提出了一种新的方法，采用多级深度扩张残差卷积编码器来学习不同长度文本的文档表示，利用辅助知识包括临床代码术语和药物处方，通过图卷积网络来提高标签表示的质量。

该方法在多项指标上取得了最先进的性能，实验使用了多个数据集并开源了代码，值得进一步研究。

相关研究包括：1.《A Deep Learning Approach to Automatic ICD-10 Coding》2.《Multi-label Classification of Patient Notes: Case Study on ICD Code Assignment》3.《A Comparative Study of Deep Learning Approaches for ICD-10 Coding of Death Certificates》