Complete Evidence Extraction with Model Ensembles: A Case Study on Medical Coding
Fraunhofer IAIS（弗劳恩霍夫人工智能研究所）；Lamarr Institute（拉马尔研究所）
本文提出完整证据提取任务，通过多语言模型集成提升医疗编码决策的证据完整性，实验表明三模型集成在召回率上超越单一模型。
2026-05-08 cs.CL cs.IR cs.LG
Enhancing LLM Medical Coding with Structured External Knowledge
Oracle Health and AI（Oracle健康与AI）
提出RAG-Coding方法，通过将ICD表格列表编码为知识图谱并提炼指南摘要，无需训练即可增强LLM的医学编码能力，在MDACE和MDACE-2025数据集上显著优于基线。
2026-05-28 cs.AI cs.CL cs.IR
Multitask Recalibrated Aggregation Network for Medical Code Prediction
Aalto University（阿尔托大学）；Nanyang Technological University（南洋理工大学）
医疗编码将专业书面的医疗报告转换为标准化代码，是医疗信息系统和健康保险报销的重要组成部分。由受过训练的人类编码人员进行手动编码是耗时且容易出错的。因此，已经开发了自动编码算法，尤其是建立在机器学习和深度神经网络的最新进展上。为了解决编码冗长和嘈杂的临床文档和捕获代码关联的挑战，我们提出了一个多任务重新校准的聚合网络。特别是，多任务学习跨不同编码方案共享信息，并捕获不同医疗代码之间的依赖关系。共享模块中的特征重新校准和聚合增强了冗长笔记的表示学习。使用真实世界的MIMIC-III数据集进行的实验表明，预测性能得到了显着提高。
2021-06-29 cs.CL
Beyond Label Attention: Transparency in Language Models for Automated Medical Coding via Dictionary Learning
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Vanderbilt University（范德堡大学）
针对医疗编码大语言模型现有标签注意力可解释性方法易高亮无关词元的问题，提出用字典学习提取稀疏激活表征，构建可解释字典以增强ICD编码预测的机制性解释，可调控模型行为、阐明超90%医学无关词元的隐藏含义且具备人类可解释性。
2025-03-22 cs.AI cs.CL
Surpassing GPT-4 Medical Coding with a Two-Stage Approach
University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校）；Optum AI（Optum人工智能部门）
针对GPT-4在医学编码任务中高召回低精确的问题，提出两阶段方法LLM-codex，结合LLM生成证据提案与LSTM验证，在MIMIC数据集上无需人工标注证据即实现编码准确率、罕见代码准确率及证据识别的SOTA。
2023-11-22 cs.CL
Training a Large Language Model for Medical Coding Using Privacy-Preserving Synthetic Clinical Data
Veradigm；Snowflake
本文研究了利用隐私保护的合成临床数据训练大型语言模型进行医学编码的可行性，通过微调Llama 3-70B模型，实现了ICD-10-CM和CPT代码的高精度预测，显著提升了编码准确性。
2026-03-06 cs.AI cs.CL
Assigning Medical Codes at the Encounter Level by Paying Attention to Documents
Univ of Maryland, College Park（马里兰大学帕克分校）；M Health Information Systems（3M健康信息系统公司）
计算机辅助医疗编码的绝大多数研究都集中在文档级别的编码上，但现实世界中相当大一部分医疗编码涉及临床遇到的编码，其中每一个通常由潜在的大型文档集表示。我们引入了层次级文档注意力网络，它使用层次注意力来明确地考虑遇到文档的层次结构。实验评估表明，编码的准确性，以及促进人类审查员在他们的能力，以确定遇到的文件中发挥作用，确定遇到的水平代码的改进。
2019-11-15 cs.CL cs.LG
Can Post-Training Turn LLMs into Good Medical Coders? An Empirical Study of Generative ICD Coding
Northwestern University（西北大学）
通过对比提示、监督微调和强化学习（GRPO及新提出的PHI课程）在ICD编码任务上的表现，发现后训练（尤其是SFT和GRPO）能显著提升生成式LLM的编码性能，提示评估瓶颈在于模型适应而非生成范式本身。
2026-06-15 cs.CL
Multimodal Dual-Encoder Retrieval for Automated ICD Coding
Amazon（亚马逊）；Rutgers University（罗格斯大学）
针对现有ICD编码方法无法处理多模态数据、难以扩展且缺乏透明度的问题，提出两阶段框架，先以多模态双编码器门控融合检索候选，再用LLM重排序，实验证明其优于密集多标签分类基线。
2026-10-06 cs.CL cs.IR
BERT-XML: Large Scale Automated ICD Coding Using BERT Pretraining
NYU Langone Health（纽约大学朗格尼医学中心）
临床相互作用最初记录并记录在自由文本医学笔记中。ICD编码是对与患者就诊相关的所有诊断、症状和程序进行分类和编码的任务。这个过程通常是手动的，对医院来说非常耗时和昂贵。在本文中，我们提出了一个机器学习模型，BERT-XML，大规模的自动ICD编码从EHR笔记，利用最近开发的无监督预训练，已达到各种NLP任务的最先进的性能。我们在EHR笔记上从头开始训练一个BERT模型，学习更适合EHR任务的词汇，从而胜过现成的模型。我们适应的BERT架构的ICD编码与多标签注意。虽然其他工作主要集中在小型公共医疗数据集上，但我们已经使用数百万个EHR笔记来预测数千个独特的ICD代码，从而产生了第一个大规模的ICD-10分类模型。
2020-05-26 cs.CL cs.IR cs.LG
DILA: Dictionary Label Attention for Mechanistic Interpretability in High-dimensional Multi-label Medical Coding Prediction
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Vanderbilt University（范德堡大学）
针对高维多标签医疗编码预测的可解释性不足问题，提出DILA字典标签注意力模块，将稠密嵌入解耦为含全局医学概念的稀疏嵌入，结合LLM自动识别特征，用稀疏矩阵呈现特征与编码关系，提升可解释性且保持性能与可扩展性。
2025-03-22 cs.CL
Multi-stage Retrieve and Re-rank Model for Automatic Medical Coding Recommendation
University of Western Ontario（西安大略大学）；Vector Institute for Artificial Intelligence（矢量人工智能研究所）；Dalhousie University（达尔豪斯大学）；University of Toronto（多伦多大学）
本文提出一种多阶段“检索与重排序”框架用于ICD索引，结合EHR辅助知识与BM25进行混合离散检索，并采用标签共现引导的对比学习重排序候选代码，在MIMIC-III基准上达到了最先进的性能。
2024-05-29 cs.CL cs.IR
Automated Coding of Under-Studied Medical Concept Domains: Linking Physical Activity Reports to the International Classification of Functioning, Disability, and Health
University of Pittsburgh（匹兹堡大学）；National Institutes of Health Clinical Center（美国国立卫生研究院临床中心）；The Ohio State University（俄亥俄州立大学）
将临床叙述与标准化词汇和编码系统联系起来是解锁医学文本中的信息以进行分析的关键组成部分。然而，许多领域的医学概念缺乏发达的术语，可以支持有效的编码的医学文本。我们提出了一个框架，用于开发自然语言处理（NLP）技术的自动化编码的研究类型的医疗信息，并证明其适用性通过物理移动功能的案例研究。行动能力是许多健康措施的组成部分，从急性期后护理和手术结果到慢性虚弱和残疾，并在国际功能、残疾和健康分类（ICF）中进行编码。然而，移动性和其他类型的功能活动在医学信息学中仍然研究不足，ICF和常用的医学术语都没有在实践中捕获功能状态术语。我们研究了两个数据驱动的范例，分类和候选人选择，使用物理治疗遇到的临床叙述数据集，将移动性的叙述性观察与标准化ICF代码联系起来。语言建模和词嵌入方面的最新进展被用作已建立的机器学习模型和一种新的深度学习方法的特征，在将移动活动报告与ICF代码联系起来方面实现了84%的宏观F-1评分。分类和候选人选择方法在未充分研究的领域中为自动编码提供了独特的优势，我们强调（i）小注释数据集的组合;（ii）感兴趣代码的专家定义;（iii）代表性文本语料库足以产生高性能的自动编码系统。这项研究对NLP工具在临床护理和研究中的各种专业应用的持续增长具有影响。
2021-03-10 cs.AI cs.CL
Large language models are good medical coders, if provided with tools
AI Native Health
本研究提出两阶段检索-排序系统用于自动化ICD-10-CM编码，在100个单一术语病例上达到100%准确率，远超普通LLM的6%，凸显检索方法在医学编码中的价值。
2024-07-06 cs.CL cs.IR
Towards The Automatic Coding of Medical Transcripts to Improve Patient-Centered Communication
Purdue University（普渡大学）
本文旨在提供一种自动编码医患沟通记录的方法，以提高以患者为中心的沟通（PCC）。PCC是高质量医疗保健的核心部分。为了改善PCC，医生和患者之间的对话已被记录并标记有预定义的代码。受过训练的人类编码员已经手动编码了转录本。由于它需要巨大的劳动力成本，并造成可能的人为错误，自动编码方法应考虑效率和有效性。我们采用了三种机器学习算法（朴素贝叶斯，随机森林，和支持向量机）来分类行在转录到相应的代码。结果表明，有证据区分的代码，这被认为是足够的培训人类注释。
2021-09-22 cs.CL cs.LG
BERT for Long Documents: A Case Study of Automated ICD Coding
Google（谷歌）
Transformer模型在许多NLP问题上取得了巨大的成功。然而，先前在自动化ICD编码方面的研究得出结论，这些模型未能优于一些早期的解决方案，如基于CNN的模型。在本文中，我们挑战这一结论。我们提出了一个简单的和可扩展的方法来处理长文本与现有的Transformer模型，如BERT。我们表明，这种方法显着改善了以前的结果报告的Transformer模型在ICD编码，并能够优于一个突出的基于CNN的方法。
2022-11-04 cs.CL cs.LG
Automated Clinical Coding: What, Why, and Where We Are?
University of Edinburgh（爱丁堡大学）；University College London（伦敦大学学院）；Edinburgh Futures Institute（爱丁堡未来学院）；Epic Systems Corporation（Epic系统公司）；University College London Hospitals NHS Foundation Trust（伦敦大学学院医院NHS基金会信托）；Aalto University（阿尔托大学）；University of Oxford（牛津大学）
临床编码是将患者健康记录中的医疗信息转换为结构化代码，以便用于统计分析的任务。这是一项认知和耗时的任务，遵循标准流程，以实现高度一致性。临床编码可能会得到自动化系统的支持，以提高该过程的效率和准确性。我们介绍了自动化临床编码的想法，并从人工智能（AI）和自然语言处理（NLP）的角度总结了其挑战，基于文献，我们在过去两年半（2019年底至2022年初）的项目经验，以及与苏格兰和英国临床编码专家的讨论。我们的研究揭示了当前应用于临床编码的基于深度学习的方法与现实世界实践中对可解释性和一致性的需求之间的差距。表示和推理任务的标准、可解释过程的基于知识的方法可能需要并入基于深度学习的方法中以用于临床编码。尽管存在技术和组织挑战，但自动临床编码对于人工智能来说是一项很有前途的任务。程序员需要参与开发过程。在未来五年及以后，开发和部署基于人工智能的自动化系统来支持编码还有很多工作要做。
2022-10-09 cs.AI cs.CL
KREL: Automatic Medical Coding via Knowledge-Guided Reasoning over Clinical Evidence with LLMs
The University of New South Wales（新南威尔士大学）；University of Göttingen（哥廷根大学）；Macquarie University（麦考瑞大学）；Beijing Intelligent Decision Medical Technology Co. Ltd（北京智决医疗科技有限公司）
本研究提出KREL框架，将LLM与ICD编码指南知识结合解决自动医学编码问题，在基准数据集上性能优于现有方法。
2026-09-15 cs.AI cs.CL
A Comparative Study on Automatic Coding of Medical Letters with Explainability
Lancaster University（兰卡斯特大学）；The University of Manchester（曼彻斯特大学）
本研究比较了在本地计算机上使用NLP和ML模型自动编码医疗信函的方法，结合可解释性，利用MIMIC-III和HAN/HLAN模型，为97.98%的代码提供了有用信息，推动了临床编码的自动化实践。
2024-07-18 cs.AI cs.CL
Automated Coding of Communication Data Using ChatGPT: Consistency Across Subgroups
ETS Research Institute（ETS研究机构）
本文研究了使用ChatGPT进行通信数据编码在不同性别和种族/族裔群体间的一致性，发现其编码结果与人类评分者一致，为大规模评估协作与沟通提供了可能。
2026-05-18 cs.AI cs.CL
Leveraging Large Language Models to Extract and Translate Medical Information in Doctors' Notes for Health Records and Diagnostic Billing Codes
Department of Computer Science & Information Technologies, Frostburg State University（弗罗斯堡州立大学计算机科学与信息科技系）；Department of Emergency Medicine, FAU Charles E Schmidt College of Medicine（FAU查尔斯·E·施密特医学院急诊医学系）
本文研究利用本地大语言模型提取医生笔记中的临床信息并翻译为ICD-10-CM诊断代码，探讨隐私保护下的医疗信息提取方法，发现需结合人类辅助以提高准确性。
2026-01-14 cs.CL cs.IR
Leveraging Open Data and Task Augmentation to Automated Behavioral Coding of Psychotherapy Conversations in Low-Resource Scenarios
University of Southern California（南加州大学）；Apple Inc.（苹果公司）；University of Utah（犹他大学）；University of Washington（华盛顿大学）
在心理治疗互动中，通过人工观察和注释，将参与者在对话期间的交流行为编入法典，从而评估会话的质量。开发自动行为编码的计算方法可以减轻人类编码人员的负担，并促进对干预措施的客观评估。然而，在现实世界中，实现这样的算法与数据稀疏性挑战相关联，因为隐私问题导致有限的可用域内数据。在本文中，我们利用一个公开的基于对话的数据集，并通过元学习执行中间语言模型训练，将知识转移到低资源的行为编码任务。我们引入了一个任务增强的方法来产生大量的“类比任务”-任务类似的目标之一-并证明，所提出的框架预测目标行为比所有其他基线模型更准确。
2022-10-25 cs.CL
Towards Automated ICD Coding Using Deep Learning
Petuum Inc（Petuum 公司）；Peking University（北京大学）
国际疾病分类（ICD）是一个权威的医疗保健分类系统，用于临床和管理目的。考虑到基于整体诊断为每个患者入院分配正确代码的复杂和专用过程，我们提出了一种具有注意力机制的分层深度学习模型，该模型可以在给定书面诊断的情况下自动分配ICD诊断代码。我们利用字符感知的神经语言模型来生成书面诊断描述和ICD代码的隐藏表示，并设计了一个注意力机制来解决描述和相应代码之间的数量不匹配。我们的实验结果显示了强大的潜力，自动ICD编码的诊断描述。最佳模型的F1评分和受试者工作特征曲线下面积分别达到0.53和0.90。其结果优于使用字符不感知编码方法或没有注意力机制的编码方法。这表明我们提出的深度学习模型可以以合理的方式自动编码，并为计算机辅助ICD编码提供了一个框架。
2017-11-30 cs.CL
Uncovering Regulatory Affairs Complexity in Medical Products: A Qualitative Assessment Utilizing Open Coding and Natural Language Processing (NLP)
University of Oxford（牛津大学）
本研究通过半结构化访谈、开放式编码和NLP技术，揭示了医疗器械监管事务复杂性的五大来源，强调跨学科合作与透明度对优化监管程序至关重要。
2023-12-30 cs.CL cs.CY
Medical Coding with Biomedical Transformer Ensembles and Zero/Few-shot Learning
Bayer AG（拜耳公司）；Humboldt University（洪堡大学）；areto consulting Gmbh（阿雷托咨询有限公司）
针对医学编码中术语库庞大、长尾类别训练数据稀缺的问题，提出结合 BERT 分类与 TARS 零样本/少样本学习的 xTARS 方法，实验证明其优于强基线并已在 Bayer 上线。
2022-05-01 cs.CL cs.IR cs.LG
Large-scale Generative Modeling to Improve Automated Veterinary Disease Coding
Tsinghua University（清华大学）；Stanford University（斯坦福大学）
监督学习受到标记数据的数量和质量的限制。在病历标注领域，不同医院的书写风格差异很大。从一家医院学到的知识可能无法很好地转移到另一家医院。这个问题在兽医领域被放大，因为兽医诊所很少将医疗代码应用于他们的记录。我们提出并训练了自动疾病编码中的第一个大规模生成式建模算法。我们证明了生成式建模可以学习判别特征时，额外的监督微调训练。我们系统地消融和评估生成建模对最终系统性能的影响。我们比较了我们的模型的性能与几个基线在一个具有挑战性的跨医院设置与实质性的域转移。我们的表现远远超过竞争对手的基准。此外，我们还解释了我们的模型所学到的东西。
2018-11-29 cs.CL
Task as Context Prompting for Accurate Medical Symptom Coding Using Large Language Models
Stevens Institute of Technology（史蒂文斯理工学院）
提出TACO提示框架统一症状提取与链接任务，并引入SYMPCODER数据集与两阶段评估，验证了其在医学症状编码中提升准确性与灵活性的有效性。
2025-04-03 cs.AI cs.CL
Enhancing Summarization Performance through Transformer-Based Prompt Engineering in Automated Medical Reporting
Utrecht University（乌得勒支大学）；Verticai；Nivel (Netherlands institute for health services research)（荷兰卫生服务研究所（Nivel））
本文研究提示设计对 LLM 医疗对话摘要的影响，结合示例提示与模式提示，并通过 ROUGE 和专家人工评估验证双示例加领域上下文方法效果最佳。
2024-01-19 cs.CL
Decomposing Error and Style in Automated Clinical Coding
Amazon（亚马逊）
本研究将自动化临床编码中的系统性差异建模为编码风格，证明条件化于风格可显著提升ICD编码F1分数，揭示单金标准评估中的误差部分实为可恢复的风格因素。
2026-09-22 cs.CL
NoteContrast: Contrastive Language-Diagnostic Pretraining for Medical Text
Brigham and Women’s Hospital（布里格姆妇女医院）；Harvard Medical School（哈佛医学院）
针对医学笔记诊断编码，提出基于ICD-10代码序列模型、医学文本大语言模型和对比预训练的集成方法，在多个MIMIC-III任务上超越现有最优模型。
2024-12-16 cs.CL cs.LG
Improving Medical Calculation of LLMs with Embedded Coding
本文提出MedCode框架，通过训练LLMs生成嵌入式可执行代码，将算术操作委托给确定性解释器，在医学计算任务上取得20-30个百分点的绝对准确率提升。
2026-09-29 cs.AI cs.CL
Automated text summarisation and evidence-based medicine: A survey of two domains
Macquarie University（麦考瑞大学）；CSIRO Australia（澳大利亚联邦科学与工业研究组织）
循证医学（EBM）的实践促使医生在做出临床决策时利用最新的研究证据。由于各种医学主题的大量和不断增长的出版研究，从业者经常发现自己的信息超载。因此，自然语言处理研究最近已经开始探索用于执行医学领域特定的自动文本摘要（ATS）技术的技术-针对压缩大型医学文本的任务。然而，为这项任务开发有效的摘要技术需要跨领域的知识。我们提出了一个调查的循证医学，特定领域的需求，循证医学，自动摘要技术，以及它们是如何被应用到迄今为止。我们设想，这项调查将作为第一资源，为循证医学的未来业务文本摘要技术的发展。
2017-06-25 cs.CL
Introducing HALC: A general pipeline for the systematic and reliable construction of prompts for automated coding with LLMs in the computational social sciences
提出HALC通用流程，系统构建提示词以实现LLM可靠编码，经超三百万次请求验证，适用于多种任务与数据集。
2026-09-09 cs.AI cs.CL cs.LG
Segmented Harmonic Loss: Handling Class-Imbalanced Multi-Label Clinical Data for Medical Coding with Large Language Models
CloudMedx Inc（CloudMedx公司）
针对医疗编码任务中多标签临床数据极端类别不平衡与含噪问题，提出分段谐波损失及嵌入相似度降噪技术，在MIMIC数据集上实现F1分数较SOTA提升超10个百分点。
2023-10-06 cs.AI cs.CL
A Novel ICD Coding Method Based on Associated and Hierarchical Code Description Distillation
Tongji University（同济大学）；National (Province-Ministry Joint) Collaborative Innovation Center for Financial Network Security, Tongji University（同济大学国家（省部共建）金融网络安全协同创新中心）
本文提出基于关联与层级代码描述蒸馏的AHDD框架，利用ICD代码描述和层级结构改进代码表示学习，避免不当代码分配，并在基准数据集上取得优于现有方法的性能。
2024-08-31 cs.CL
From Documents to Spans: Span-Centric Learning for LLM-based Explainable Medical Coding
School of Biomedical Engineering, Division of Life Sciences and Medicine, USTC（生物医学工程学院，生命科学与医学系，中国科学技术大学）；MIRACLE Center, Suzhou Institute for Advance Research, USTC（MIRACLE中心，苏州先进研究院，中国科学技术大学）；Jiangsu Provincial Key Laboratory of Multimodal Digital Twin Technology（江苏省多模态数字孪生技术重点实验室）；State Key Laboratory of Precision and Intelligent Chemistry, USTC（精密与智能化学国家重点实验室）
本文提出Span-Centric Learning框架，通过局部跨度学习提升ICD编码能力，以更低成本实现宏F1提升8.2点，并提供明确证据支持预测代码。
2026-10-16 cs.AI cs.CL
Automated Coding of Communications in Collaborative Problem-solving Tasks Using ChatGPT
ETS Research Institute（ETS研究院）
本文利用ChatGPT对协作问题解决任务中的通信数据进行自动化编码，探讨不同模型和框架对编码效果的影响，并提出通过优化提示提高编码准确性的方法。
2025-05-07 cs.CL cs.HC
LLM-Assisted Automated Deductive Coding of Dialogue Data: Leveraging Dialogue-Specific Characteristics to Enhance Contextual Understanding
The University of Hong Kong（香港大学）
本研究提出一种LLM辅助的对话数据自动编码框架，利用交际行为与事件特征及多模型协作与一致性检查，显著提升了编码精度并有效应对上下文挑战。
2025-04-28 cs.CL cs.SI
Synthetic Clinical Notes for Rare ICD Codes: A Data-Centric Framework for Long-Tail Medical Coding
针对医疗NLP中ICD编码极端长尾分布导致稀有编码预测性能低的问题，提出以数据为中心的合成临床笔记框架，生成覆盖7902个编码的9万条合成笔记，微调模型后宏F1适度提升且微F1保持良好，优于现有技术，为长尾编码预测公平性提供新方法。
2025-11-18 cs.AI cs.CL
Deep Label-Wise Attentive Temporal Convolutional Networks Improve Medical Coding
Yale University（耶鲁大学）
研究医学编码难题，提出由多层时间卷积网络和标签明智注意力组成的深度神经模型，相比之前模型，F-1分数显著提高，召回分数大幅增加，对临床决策支持有重要意义。
2026-07-29 cs.CL cs.LG
Explainable Automated Coding of Clinical Notes using Hierarchical Label-wise Attention Networks and Label Embedding Initialisation
University of Edinburgh（爱丁堡大学）；Health Data Research UK（英国健康数据研究所）；University College London（伦敦大学学院）
临床记录的诊断或程序编码旨在获得患者疾病相关信息的编码摘要。这种编码通常在医院中手动完成，但可能会自动化，以提高医疗编码的效率和准确性。最近关于自动医疗编码的深度学习的研究取得了令人鼓舞的成绩。然而，这些模型的可解释性通常很差，这使得它们不能自信地用于支持临床实践。另一个局限性是，这些模型大多假设标签之间的独立性，忽略了医疗代码之间的复杂相关性，这可能被用来提高性能。我们提出了一个分层标签式注意力网络（HLAN），旨在通过量化与每个标签相关的单词和句子的重要性（作为注意力权重）来解释模型。其次，我们建议使用标签嵌入（LE）初始化方法来增强主要的深度学习模型，该方法学习密集的连续向量表示，然后将表示注入模型中的最终层和标签注意力层。我们使用MIMIC-III出院摘要的三种设置评估了这些方法：完整代码，前50名代码和英国NHS COVID-19屏蔽代码。进行实验以将HLAN和LE初始化与最先进的基于神经网络的方法进行比较。HLAN在前50名代码预测中实现了最佳的微观水平AUC和$F_1$，并在NHS COVID-19屏蔽代码预测中获得了与其他模型相当的结果。通过突出每个标签最突出的单词和句子，HLAN与其降级的基线和基于CNN的模型相比，显示出更有意义和更全面的模型解释。LE初始化始终提升了用于自动化医疗编码的大多数深度学习模型。
2021-07-16 cs.CL cs.LG
ACE-ICD: Acronym Expansion As Data Augmentation For Automated ICD Coding
Moffitt Cancer Center and Research Institute（莫菲特癌症中心和研究所在）；University of South Florida（佛罗里达州立大学）
针对自动ICD编码中临床笔记医学首字母缩写被忽略的问题，提出ACE-ICD方法，通过大语言模型扩展首字母缩写并结合一致性训练，在MIMIC-III数据集上的多种设置中实现了新的最先进性能。
2025-11-10 cs.CL
Towards an Automated SOAP Note: Classifying Utterances from Medical Conversations
Abridge AI, Inc.（Abridge AI 公司）
从医疗对话中生成的摘要可以提高患者对护理计划的回忆和理解，并减少医生的文档负担。自动语音识别（ASR）和自然语言理解（NLU）的最新进展为自动生成这些摘要提供了潜在的解决方案，但缺乏用于该领域基准研究的严格定量基线。在本文中，我们弥合这一差距的两个任务：从医疗对话的话语分类（i）SOAP部分和（ii）扬声器的作用。两者都是实现医疗对话的端到端、自动化SOAP注释的基本构建块。我们提供了一个数据集的详细信息，该数据集包含人类和ASR的医疗对话和相应的机器学习优化的SOAP注释。然后，我们提出了一个系统的分析，其中我们适应现有的深度学习架构，以上述两个任务。结果表明，建模上下文的层次化的方式，它捕获单词和话语水平的背景下，产生实质性的改进，这两个分类任务。此外，我们开发和分析了一个模块化的方法，使我们的模型适应ASR输出。
2020-07-27 cs.CL cs.LG
Towards Leveraging Large Language Models for Automated Medical Q&A Evaluation
Northeastern University（东北大学）；Suki AI（苏基人工智能公司）
本文研究利用大型语言模型自动评估医疗问答系统回答的可行性，通过患者数据衍生问题进行实验，初步结果表明其有望替代人工评估以节省医学专家时间，但更复杂问题仍需进一步研究。
2024-09-03 cs.CL cs.LG
Ranking Over Scoring: Towards Reliable and Robust Automated Evaluation of LLM-Generated Medical Explanatory Arguments
HiTZ Center - Ixa, University of the Basque Country UPV/EHU（巴斯克大学UPV/EHU HiTZ中心 - Ixa）；Cruces University Hospital（克鲁塞斯大学医院）
本文提出基于代理任务和排序的评估方法，以少量人工示例实现对LLM生成医学解释性论证的可靠、稳健且与人类标准一致的自动评估。
2024-09-30 cs.CL
Training without training data: Improving the generalizability of automated medical abbreviation disambiguation
University of Toronto（多伦多大学）；The Hospital for Sick Children（病童医院）
由于缩写在临床环境中的频繁使用，因此缩写消歧对于自动化临床记录处理是重要的。现有的缩略语自动消歧模型受到标记训练数据的稀缺性和不平衡性的限制，降低了它们对正交源的泛化能力。在这项工作中，我们提出了一种新的数据增强技术，利用相关的医学概念，提高了我们的模型的概括能力的信息。此外，我们表明，将全球范围内的整个医疗记录的背景信息（除了传统的本地上下文窗口），可以显着提高模型的缩写表示。我们在公共数据集（MIMIC III）上训练我们的模型，并在来自不同来源的数据集（CASI，i2b2）上测试其性能。总之，这两种技术在CASI数据集上将缩写消歧的准确性提高了近14%，在i2b2上提高了4%。
2019-12-12 cs.CL cs.LG stat.ML
Automated Generation of Accurate \& Fluent Medical X-ray Reports
University of Alberta（阿尔伯塔大学）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
我们的论文重点是自动生成的医疗报告，从胸部X射线图像输入，一个关键的，但耗时的任务，放射科医生。与现有的倾向于生成人类可读报告的医疗报告生成工作不同，我们的目标是生成流畅且临床准确的医疗报告。这是通过我们的完全可区分和端到端的范例来实现的，该范例包含三个互补模块：以患者的胸部X射线图像和临床历史文档作为输入，我们的分类模块生成疾病相关主题的内部检查列表，称为丰富的疾病嵌入;然后将嵌入表示传递到我们基于transformer的生成器，生成医疗报告;同时，我们的生成器还产生了加权嵌入表示，并将其提供给我们的解释器，以确保与疾病相关的主题的一致性。我们的方法在常用的语言流畅性和临床准确性方面取得了令人满意的结果。此外，当额外的输入信息可用时，如临床文档和不同视图的额外扫描，可以持续观察到显著的性能提升。
2021-08-27 cs.CL
Automated Medical Report Generation for ECG Data: Bridging Medical Text and Signal Processing with Deep Learning
Zuse Institut Berlin（柏林Zuse研究所）；BIOTRONIK SE & Co KG（百多力公司）
本研究将深度学习驱动的图像描述生成技术应用于心电图数据，提出基于编码器-解码器的方法，利用医疗专业人员撰写的报告训练模型生成类临床医生解读，性能显著优于现有模型，源代码公开且具临床应用潜力。
2024-12-05 cs.AI cs.CL
Automated ICD Coding using Extreme Multi-label Long Text Transformer-based Models
University of New South Wales（新南威尔士大学）；CSIRO（联邦科学与工业研究组织）；Australian Institute of Health and Welfare（澳大利亚健康与福利研究所）
本研究针对自动化ICD编码的极端多标签和长文本挑战，优化了PLM-ICD模型并提出了XR-LAT模型，在MIMIC-III数据集上创下新SOTA表现。
2022-12-13 cs.CL
Automated clinical coding using off-the-shelf large language models
Canon Medical Research Europe（佳能医疗研究欧洲）；Queen Mary University of London（伦敦玛丽女王大学）；University of Edinburgh（爱丁堡大学）；Anglia Ruskin University（安格利亚鲁斯金大学）；The Alan Turing Institute（艾伦·图灵研究所）；University of Warwick（华威大学）
本研究利用现成大型语言模型，通过信息提取和层次化稀疏搜索，实现零样本与少样本的自动化ICD临床编码，无需任务特定训练。
2023-11-13 cs.AI cs.CL
Auxiliary Knowledge-Induced Learning for Automatic Multi-Label Medical Document Classification
University of Western Ontario（西安大略大学）；Vector Institute for Artificial Intelligence（向量人工智能研究院）；Dalhousie University（达尔豪斯大学）；University of Toronto（多伦多大学）
针对ICD编码挑战，提出一种融合多级深度扩张残差卷积、辅助知识与图卷积网络的多标签医学文档分类方法，实现最先进性能。
2024-05-29 cs.CL
Comparative Experimentation of Accuracy Metrics in Automated Medical Reporting: The Case of Otitis Consultations
Utrecht University（乌得勒支大学）；Verticai；NIVEL (Netherlands institute for health services research)（荷兰健康服务研究所）
本文针对Otitis问诊的AI生成医疗报告，对比了10种准确度指标，并引入复合准确度得分，发现ROUGE-L和Word Mover's Distance为首选指标，助力减轻医疗人员行政负担。
2024-01-08 cs.CL
Automated Generation of High-Quality Medical Simulation Scenarios Through Integration of Semi-Structured Data and Large Language Models
本研究提出将半结构化数据与大语言模型（如ChatGPT3.5）集成，自动生成高质量、定制化的医学模拟场景，显著降低开发成本并提升学习效果。
2024-05-06 cs.CL
M^3Builder: A Multi-Agent System for Automated Machine Learning in Medical Imaging
Shanghai Jiao Tong University（上海交通大学）；Shanghai AI Laboratory（上海人工智能实验室）
本文提出M3Builder多智能体系统，通过四个协作智能体自动化医学影像机器学习流程，并构建M3Bench基准，在14个数据集上以Claude-3.7-Sonnet为核心达到94.29%成功率。
2025-02-27 cs.AI cs.CL cs.CV
