Beyond Direct Diagnosis: LLM-based Multi-Specialist Agent Consultation for Automatic Diagnosis
Harbin Institute of Technology(哈尔滨工业大学)
本研究针对自动诊断任务,提出基于无需微调LLM智能体的AMSC多专科会诊框架,通过自适应融合疾病概率分布模拟真实诊疗流程,性能优于基线,且参数更新和训练成本更低,还探究了隐性症状的作用。
2024-01-29 cs.AI cs.CL
RECAP-KG: Mining Knowledge Graphs from Raw GP Notes for Remote COVID-19 Assessment in Primary Care
Imperial College London(帝国理工学院)
针对现有临床决策系统无法处理非结构化全科医生问诊记录的问题,本文提出RECAP-KG框架,依托SNOMED本体与RECAP工具相关数据从原始GP记录中构建知识图谱,在CCAS数据集上验证其准确率优于传统NLP方法。
2023-10-09 cs.AI cs.CL
SynGP500: A Clinically-Grounded Synthetic Dataset of Australian General Practice Medical Notes
General Practitioner & Independent Clinical NLP Researcher(全科医生及独立临床NLP研究者)
SynGP500是一个基于临床实践的澳大利亚家庭医学笔记合成数据集,通过整合课程广度、流行病学校准和多样化咨询情境,为开发和评估澳大利亚家庭医学的临床NLP方法提供资源。
2025-12-17 cs.CL
Overview of the MEDIQA-OE 2025 Shared Task on Medical Order Extraction from Doctor-Patient Consultations
Microsoft Healthcare & Life Sciences(微软医疗与生命科学)
临床文档越来越多地使用自动语音识别和摘要,但将对话转换为电子健康记录的可操作医嘱仍未探索。这个问题的解决方案可以显著减少临床医生的文档负担,并直接影响下游患者护理。我们介绍了MEDIQA-OE 2025共享任务,这是从医患对话中提取医疗订单的第一个挑战。六个团队参与了共享任务,并尝试了广泛的方法,以及封闭和开放重量的大语言模型(LLM)。在本文中,我们描述了MEDIQA-OE任务,数据集,最终排行榜排名和参与者的解决方案。
2025-10-30 cs.AI cs.CL
User-Driven Research of Medical Note Generation Software
Babylon(巴比伦);University of Aberdeen(阿伯丁大学);Dublin City University(都柏林城市大学)
越来越多的工作使用自然语言处理(NLP)方法从医生和患者咨询的音频记录中自动生成医疗记录。然而,很少有研究这样的系统可以在临床实践中使用,临床医生将如何调整使用它们,或系统设计应如何受到这些考虑的影响。在本文中,我们提出了三轮的用户研究,在开发一个医疗记录生成系统的背景下进行。我们提出,分析和讨论的参与临床医生的印象和意见,该系统应该如何适应是有价值的。接下来,我们描述了一个为期三周的测试运行的系统在现场远程医疗临床实践。主要发现包括:(i)出现了五种不同的记笔记行为;(ii)系统在会诊期间实时的生成笔记的重要性;以及(iii)识别出许多临床用例,这些用例可能对自动笔记生成系统构成挑战。
2022-05-06 cs.CL cs.HC
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
Towards Automatic Generation of Shareable Synthetic Clinical Notes Using Neural Language Models
IBM T. J. Watson Research Center(IBM T. J. 沃森研究中心);IBM Almaden Research Center(IBM阿尔马登研究中心)
大规模的临床数据对于推动当今许多计算科学的进步是非常宝贵的。然而,对患者隐私的担忧阻碍了此类数据的公开传播,并导致了次优的孤立研究。去识别方法试图解决这些问题,但被证明是容易受到对抗攻击。在这项工作中,我们专注于存储在临床笔记中的大量非结构化自然语言数据,并提出自动生成合成临床笔记,这些笔记更适合使用在真实去识别记录上训练的生成模型进行共享。为了评估这些笔记的优点,我们测量了它们的隐私保护特性以及在训练临床NLP模型中的实用性。使用神经语言模型的实验产生的笔记,其效用接近的一些临床NLP任务的真实的,但留下足够的空间,为未来的改进。
2019-05-21 cs.CL
Performance of Automatic De-identification Across Different Note Types
University of Washington(华盛顿大学);George Mason University(乔治梅森大学)
自由文本临床笔记详细说明了患者护理的各个方面,并且具有促进质量改进和保证举措以及推进临床研究的巨大潜力。然而,对患者隐私和保密性的担忧限制了临床笔记用于研究。因此,大多数研究人员仍然无法获得这些笔记中记录的信息。去识别(de-id),即,定位和删除个人识别受保护的健康信息(PHI)是改善对临床叙述的访问的一种方式。然而,有有限的现成的去识别系统能够在不同的数据源和医疗专业一致地检测PHI。在这篇摘要中,我们展示了一个名为NeuroNER 1的最先进的de-id系统在华盛顿大学(UW)的一组不同笔记上的性能,当模型是在来自外部机构(Partners Healthcare)与来自同一机构(UW)的数据上训练时。我们目前的结果在PHI和注意类型的水平。
2021-02-17 cs.CL
Automatic detection of diseases in Spanish clinical notes combining medical language models and ontologies
CTIC Centro Tecnológico(CTIC技术中心)
提出融合大型语言模型与医学本体的混合方法,从西班牙语初诊或复诊报告中检测皮肤科病理,并通过有序学习类型、严重程度和部位取得最优分类性能。
2024-12-04 cs.CL
MIMICause: Representation and automatic extraction of causal relation types from clinical notes
Accenture Labs(埃森哲实验室);Indian Institute of Science(印度科学学院);Arizona State University(亚利桑那州立大学);Duke University(杜克大学)
理解临床笔记中传达的因果叙述可以帮助向个性化医疗保健迈进。从临床记录中提取的因果信息可以与结构化的EHR数据相结合,例如患者的人口统计学,诊断和药物。这将提高医疗保健提供者识别临床记录中传达的患者故事的各个方面的能力,并帮助做出更明智的决策。在这项工作中,我们提出了注释指南,开发一个注释语料库,并提供基线分数,以确定类型和方向之间的因果关系的一对生物医学概念的临床笔记;传达隐含或明确,确定在一个单一的句子或跨多个句子。我们注释了从2018年n2 c2共享任务数据集中采样的总共2714个去识别示例,并训练了四种不同的基于语言模型的架构。基于我们的指南的注释实现了较高的注释者间一致性,即Fleiss kappa($κ$)评分为0.72,我们的因果关系识别模型在测试数据上实现了0.56的宏观F1评分。临床文本的高注释者间一致性显示了我们注释指南的质量,而提供的基线F1评分为未来研究理解临床文本中的叙述设定了方向。
2022-03-14 cs.CL
Clinical Utility of the Automatic Phenotype Annotation in Unstructured Clinical Notes: ICU Use Cases
Imperial College London(帝国理工学院);Pangaea Data Limited;Queen Mary University of London(伦敦玛丽女王大学);Hong Kong Baptist University(香港浸会大学)
目的:临床记录包含其他地方没有的信息,包括药物反应和症状,所有这些在预测急性护理患者的关键结局时都非常重要。我们提出了从临床笔记中自动注释表型的方法来捕获基本信息,这是对通常使用的生命体征和实验室检查结果的补充,以预测重症监护室(ICU)的结果。研究方法:我们开发了一种新的表型注释模型来注释患者的表型特征,然后将其用作预测模型的输入特征来预测ICU患者的结局。我们使用MIMIC-III数据集对超过24,000名患者的三个ICU预测任务进行实验,包括住院死亡率,生理失代偿和住院时间。结果如下:结合表型信息的预测模型预测住院死亡率达到0.845(AUC-ROC),生理失代偿达到0.839(AUC-ROC),住院时间达到0.430(Kappa),所有这些都始终优于仅利用生命体征和实验室检查结果的基线模型。此外,我们进行了全面的可解释性研究,表明表型在患者和队列水平上提供了有价值的见解。结论:所提出的方法表明,表型信息补充了传统上使用的生命体征和实验室检查结果,显著提高了ICU预后的预测。
2021-11-24 cs.CL
The Impact of Automatic Pre-annotation in Clinical Note Data Element Extraction - the CLEAN Tool
University of California San Diego(加州大学圣地亚哥分校)
Objective.注释是昂贵的,但对于临床笔记审查和临床自然语言处理(cNLP)是必不可少的。然而,计算机生成的预注释在多大程度上有利于人类注释仍然是一个悬而未决的问题。我们的研究介绍了CLEAN(CLinical note rEview and ANnotation),这是一种基于预注释的cNLP注释系统,用于改进数据元素的临床笔记注释,并将CLEAN与广泛使用的注释系统Brat Rapid Annotation Tool(BRAT)进行了全面比较。材料和方法。CLEAN包括一个集成管道(CLEAN-EP)和新开发的注释工具(CLEAN-AT)。一位领域专家和一位新手用户/注释者参与了一项比较可用性测试,在84份公共笔记中标记了87个与充血性心力衰竭(CHF)和川崎病(KD)队列相关的数据元素。结果CLEAN的音符水平F1得分(0.896)高于BRAT(0.820),在正确性上有显著差异(P值< 0.001),最相关的因素是系统/软件(P值< 0.001)。CLEAN(7.262分钟/注)和BRAT(8.286分钟/注)之间的注释时间无显著差异(P值0.188)。差异主要与注释长度(P值< 0.001)和系统/软件(P值0.013)相关。专家报告CLEAN有用/令人满意,而新手报告略有改进。讨论CLEAN提高了注释的正确性,并在相同的效率水平下提高了有用性/满意度。局限性包括预…
2018-08-11 cs.CL
ACI-BENCH: a Novel Ambient Clinical Intelligence Dataset for Benchmarking Automatic Visit Note Generation
Microsoft(微软);University of Washington(华盛顿大学);Nuance Communications(Nuance通讯公司)
本文构建ACI-BENCH语料库,填补就诊对话到临床记录生成任务缺乏大规模开放基准的空白,并评估多种主流最先进方法。
2023-06-03 cs.CL
One note in three: a verified census of three deployed AI scribes, and the instrument that counted it
本研究审计三款商用AI记录员在142次问诊中的表现,发现31.3%的笔记存在经验证的故障,故障率受记录员和计数工具共同影响,公开了相关发现、证据及可复现流程。
2026-09-01 cs.AI cs.CL cs.CY
Revisiting Automatic Question Summarization Evaluation in the Biomedical Domain
Alibaba DAMO Academy(阿里巴巴达摩院);Alibaba Group(阿里巴巴集团);Tsinghua University(清华大学)
摘要自动评价指标通过提供对摘要质量的即时和公正的评估,促进了自动摘要方法的快速发展。大多数指标都是针对一般领域开发的,特别是新闻和会议记录,或其他语言生成任务。然而,这些指标被应用于评估摘要系统在不同的领域,如生物医学问题摘要。为了更好地了解常用的评估指标是否能够评估自动摘要在生物医学领域,我们进行人类的评价摘要质量从四个不同方面的生物医学问题摘要任务。基于人类的判断,我们确定不同的值得注意的功能,目前的自动度量和摘要系统以及。我们还发布了我们的人类注释的数据集,以帮助在生物医学领域的摘要评估指标的研究。
2023-03-18 cs.CL
Natural language processing on customer note data
Manchester Metropolitan University(曼彻斯特城市大学);Auto Trader Group(汽车交易商集团)
针对B2B客户备注数据学术研究少、大体量数据人工分析难度大的问题,将情感分析、主题建模与关键词提取应用于B2B数据集,验证了自动提取准确情感、按相关性归类主题的可行性,同时指出主题划分不清晰会导致其与业务场景脱节。
2023-05-03 cs.CL
Large language models are vulnerable to incidental information in clinical documentation and reasoning
NYU Langone Health(纽约大学朗格尼健康中心);Johns Hopkins University School of Medicine(约翰霍普金斯大学医学院);Washington University School of Medicine in St. Louis(圣路易斯华盛顿大学医学院);University of Alabama at Birmingham Heersink School of Medicine(阿拉巴马大学伯明翰分校希尔斯金医学院);Perelman School of Medicine at the University of Pennsylvania(宾夕法尼亚大学佩雷尔曼医学院);New York University(纽约大学)
本研究揭示大型语言模型在临床病历生成中易受附带信息污染,导致闲聊插入和错误归属,并提出双编码假说,强调临床使用前需评估抗干扰能力。
2026-10-08 cs.CL
Do Physicians Know How to Prompt? The Need for Automatic Prompt Optimization Help in Clinical Note Generation
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);Fudan University(复旦大学)
本研究提出自动提示优化框架,发现GPT4 APO能标准化临床笔记生成质量,并建议结合专家定制化的两阶段优化流程。
2024-07-05 cs.AI cs.CL
Toward Automatic Filling of Case Report Forms: A Case Study on Data from an Italian Emergency Department
Italian Emergency Department(意大利急诊部门)
本文提出了一项基于意大利急诊科数据的案例研究,展示如何利用大型语言模型自动填写病例报告表,并揭示了模型偏见问题。
2026-02-26 cs.CL
Using LLM for Real-Time Transcription and Summarization of Doctor-Patient Interactions into ePuskesmas in Indonesia: A Proof-of-Concept Study
Institut Teknologi Sepuluh Nopember(印度尼西亚十月份十号技术大学);UIN Syarif Hidayatullah(伊斯兰教大学 Syarif Hidayatullah);Stanford University(斯坦福大学)
本文提出一个概念验证框架,结合Whisper和GPT-3.5自动转录并摘要印度尼西亚语医患对话,以浏览器扩展自动填充ePuskesmas表单,验证了在资源受限医疗环境中实现AI辅助临床记录的可行性。
2025-08-23 cs.AI cs.CL cs.SD
A Continued Pretrained LLM Approach for Automatic Medical Note Generation
DeepScribe Inc.(迪普斯克里布公司)
本文提出基于13B LLaMA2持续训练的HEAL,面向医疗对话与自动病历生成,以更低成本在PubMedQA、医疗概念识别及记录正确性和完整性上达到或超过GPT-4等模型。
2024-04-03 cs.AI cs.CL
Toward Relieving Clinician Burden by Automatically Generating Progress Notes using Interim Hospital Data
Lister Hill National Center for Biomedical Communications(利斯特希尔生物医学通信中心);National Library of Medicine(国家医学图书馆);National Institutes of Health(美国国立卫生研究院)
本文提出利用电子健康记录中的结构化数据自动生成病程记录的任务,构建了包含7089个标注实例的ChartPNG数据集,并通过大语言模型基线实验和自动、人工分析揭示了该任务的挑战与未来研究方向。
2024-10-10 cs.AI cs.CL
An Investigation of Evaluation Metrics for Automated Medical Note Generation
Microsoft Health AI(微软健康人工智能部门)
本文针对自动临床记录生成评估难题,提出任务特定指标并与多种SOTA指标比较,基于七个专家标注数据集发现一个稳定指标子集与人工判断相关性最高。
2023-05-27 cs.AI cs.CL cs.LG
Predicting Clinical Intent from Free Text Electronic Health Records
University College London(伦敦大学学院);University College London Hospitals NHS Foundation Trust(伦敦大学学院医院NHS基金会信托);King’s College London(伦敦国王学院);South London and Maudsley NHS Foundation Trust(南伦敦和莫兹利NHS基金会信托)
在患者咨询之后,临床医生确定患者管理的步骤。例如,临床医生可以请求再次见到患者或将他们转介给专家。虽然大多数临床医生会在患者的临床笔记中将其意图记录为“下一步”,但在某些情况下,临床医生可能会忘记将其意图指示为订单或请求,例如,未能下达后续订单。因此,这会导致患者失访,并且在某些情况下可能会导致不良后果。在本文中,我们训练一个机器学习模型,以检测临床医生的意图,以跟进病人的临床笔记。注释者系统地确定了22种可能的临床意图类型,并注释了3000份肥胖症临床笔记。注释过程揭示了标记数据中的类别不平衡,我们发现只有足够的标记数据来训练22个意图中的11个。我们使用这些数据来训练基于BERT的多标签分类模型,并报告了以下所有意图的平均准确度指标:宏观精度:0.91,宏观召回率:0.90,宏观f1:0.90。
2022-03-25 cs.CL cs.LG
Convolutional Neural Networks for Medical Diagnosis from Admission Notes
Petuum Inc.(Petuum 公司);Department of Psychiatry, University of Pittsburgh Medical Center(匹兹堡大学医学中心精神科)
$\textbf{Objective}$开发一种自动诊断系统,该系统仅使用电子健康记录(EHR)中的文本入院信息,并通过及时且经统计学验证的决策工具协助临床医生。希望该工具可以用于减少误诊。$\textbf{Materials and Methods}$我们使用来自MIMIC-III的真实世界临床记录,这是一个免费提供的数据集,由2001年至2012年期间在贝斯以色列女执事医疗中心重症监护室住院的4万多名患者的临床数据组成。我们提出了一个卷积神经网络模型,从非结构化文本输入中学习语义特征,并自动预测初次出院诊断。$\textbf{Results}$提出的模型在10种最常见的疾病类别上实现了96.11%的总体准确性和80.48%的加权F1评分值,在加权F1评分方面显著优于4个强基线模型至少12.7%。$\textbf{Discussion}$实验结果表明,CNN模型适用于在存在复杂、噪声和非结构化临床数据的情况下支持诊断决策,同时使用比其他传统深度网络模型更少的层和参数。$\textbf{Conclusion}$我们的模型证明了从非结构化的临床笔记中代表复杂的医学有意义的特征的能力,以及对常见误诊的常见疾病的预测能力。它可以很容易地在临床环境中使用,以提供及时和统计证明的决策支持。$\textbf{Keywords}$卷积神经网络、文本分类、出院诊断预测、来自EHR的入院信息。
2017-12-06 cs.CL
NoteChat: A Dataset of Synthetic Doctor-Patient Conversations Conditioned on Clinical Notes
University of Massachusetts(马萨诸塞大学);University of Minnesota(明尼苏达大学);Microsoft(微软公司);University of Edinburgh(爱丁堡大学);University of Massachusetts, Lowell(马萨诸塞大学洛厄尔分校)
提出协作多智能体框架NoteChat,利用LLMs通过结构化角色扮演生成合成医患对话,实验证明其生成的对话质量显著优于ChatGPT和GPT-4等模型,并能有效辅助临床文档记录。
2024-06-28 cs.CL
Classifying Unstructured Clinical Notes via Automatic Weak Supervision
Carnegie Mellon University(卡内基梅隆大学)
医疗保健提供者通常记录向每个患者提供的临床护理的详细说明,用于临床,研究和计费目的。由于这些叙述的非结构化性质,提供者雇用专门的工作人员使用国际疾病分类(ICD)编码系统为患者的诊断分配诊断代码。这种手动过程不仅耗时,而且成本高且容易出错。先前的工作证明了机器学习(ML)方法在自动化这一过程中的潜在效用,但它依赖于大量手动标记的数据来训练模型。此外,诊断编码系统随着时间的推移而发展,这使得传统的监督学习策略无法推广到局部应用之外。在这项工作中,我们引入了一个通用的弱监督文本分类框架,该框架仅从类别标签描述中学习,而不需要使用任何人类标记的文档。它利用存储在预训练的语言模型和数据编程框架中的语言领域知识为各个文本分配代码标签。我们证明了我们的方法的有效性和灵活性,通过比较它的国家的最先进的弱文本分类器在四个现实世界的文本分类数据集,除了分配ICD代码的医疗记录在公开的MIMIC-III数据库。
2022-08-02 cs.CL cs.LG
A Marker-based Neural Network System for Extracting Social Determinants of Health
University of Texas at San Antonio(德克萨斯大学圣安东尼奥分校)
Objective.健康的社会决定因素(SDoH)对患者的医疗保健质量和差距的影响是众所周知的。许多SDoH项目在电子健康记录中没有以结构化形式编码。这些项目通常在自由文本临床笔记中捕获,但自动提取它们的方法有限。我们探索了一个多阶段的管道,涉及命名实体识别(NER),关系分类(RC)和文本分类方法,自动提取SDoH信息从临床笔记。材料和方法。该研究使用N2 C2共享任务数据,这些数据来自两个临床记录来源:MIMIC-III和华盛顿大学Harborview医学中心。它包含了4480个社会历史部分,并为12个SDoHs提供了完整的注释。为了处理实体重叠的问题,我们开发了一种新的基于标记的NER模型。我们在多阶段管道中使用它来从临床笔记中提取SDoH信息。结果我们的基于标记的系统在处理基于整体Micro-F1分数性能的重叠实体方面优于最先进的基于跨度的模型。与共享任务方法相比,它还实现了最先进的性能。结论本研究的主要发现是,多阶段流水线有效地从临床笔记中提取SDoH信息。这种方法可以潜在地改善在临床环境中对SDoH的理解和跟踪。然而,错误传播可能是一个问题,需要进一步的研究,以提高复杂的语义意义和低资源实体使用外部知识的实体提取。
2022-12-24 cs.CL
CoRelation: Boosting Automatic ICD Coding Through Contextualized Code Relation Learning
Pennsylvania State University(宾夕法尼亚州立大学);Google(谷歌)
本文提出上下文化代码关系学习框架CoRelation,通过依赖学习范式结合临床记录上下文建模ICD代码关系,在六个公开数据集上验证了其优于现有方法。
2024-02-24 cs.AI cs.CL cs.LG
Classifying medical notes into standard disease codes using Machine Learning
University of California(加利福尼亚大学);Berkeley, CA(伯克利(加利福尼亚州)(注:此处仅保留原文机构相关部分,严格按要求处理))
我们研究了自动分类的病人出院笔记到标准的疾病标签。我们发现,卷积神经网络与注意力优于以前的算法在这项任务中使用,并建议进一步改进的领域。
2018-02-01 cs.CL cs.LG stat.AP
Towards BERT-based Automatic ICD Coding: Limitations and Opportunities
ETH Zurich(苏黎世联邦理工学院)
自动ICD编码是将国际疾病分类(ICD)中的代码分配给医疗记录的任务。这些代码描述了患者的状态,并具有多种应用,例如,计算机辅助诊断或流行病学研究。由于医疗记录的复杂性和长度,ICD编码是一项具有挑战性的任务。与语言处理的一般趋势不同,没有Transformer模型被报道在这项任务上达到高性能。在这里,我们详细调查ICD编码使用PubMedBERT,一个国家的最先进的Transformer模型的生物医学语言理解。我们发现,微调模型的困难是主要的限制,基于BERT的模型对ICD编码的长文本。我们进行了大量的实验,结果表明,尽管与当前最先进的技术存在差距,但经过预训练的Transformers可以使用相对较小的文本部分达到具有竞争力的性能。我们指出,更好的方法来聚合信息,从长文本的主要需求,以改善基于BERT的ICD编码。
2021-04-14 cs.AI cs.CL
Towards the Creation of a Large Corpus of Synthetically-Identified Clinical Notes
MIT CSAIL(麻省理工学院计算机科学与人工智能实验室)
临床笔记通常描述患者生理学的最重要方面,因此对医学研究至关重要。然而,如果没有事先删除敏感的受保护健康信息(PHI),这些笔记通常无法被研究人员访问,这是一项被称为去识别的自然语言处理(NLP)任务。需要用于自动去识别临床笔记的工具,但是如果不能访问包含PHI的那些非常相同的笔记,则难以创建这些工具。这项工作提出了创建一个大型的综合识别的语料库的临床笔记和相应的PHI注释,以促进开发去识别工具的第一步。此外,一个这样的工具进行评估,对这个语料库,以了解这种方法的优点和缺点。
2018-03-07 cs.CL cs.CY
Hybrid deep learning methods for phenotype prediction from clinical notes
Isfahan University of Technology(伊斯法罕理工大学);Medical University of Vienna(维也纳医科大学)
从二级电子健康记录中的临床记录中识别患者队列是临床信息管理中的一项基本任务。然而,随着临床记录数量的增加,人工分析数据以进行表型检测变得具有挑战性。临床概念的自动提取将有助于正确识别患者表型。本文提出了一种新的混合模型,用于使用自然语言处理和深度学习模型自动提取患者表型,以确定患者表型,而无需字典和人工干预。该模型基于神经双向序列模型(BiLSTM或BiGRU)和用于表型识别的CNN层。额外的CNN层与混合模型并行运行,以提取与每个表型相关的更多特征。我们分别使用FastText和Word2vec等预训练的嵌入作为输入层来评估其他嵌入的性能。在MIMIC III数据库上进行的实验结果表明,该模型与现有模型相比,性能有了显著的提高。具有额外CNN层的模型的增强版本获得了比原始混合模型相对更高的F1分数。我们还表明,具有FastText嵌入的BiGRU层在识别患者表型方面比BiLSTM层具有更好的性能。
2022-05-03 cs.CL cs.IR
Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis
University of Science and Technology of China(中国科学技术大学);HUAWEI Technologies(华为技术有限公司)
临床诊断是根据患者的临床记录为患者分配诊断代码的过程,在临床决策中起着至关重要的作用。由于人工诊断容易出错且耗时长,许多基于临床文本挖掘的智能诊断方法被提出来进行自动诊断。然而,由于以下挑战,这些方法可能无法实现令人满意的结果。一是绝大多数诊断码罕见,分布极不均衡。其次,现有的方法是具有挑战性的捕获诊断代码之间的相关性。第三,冗长的临床记录导致与代码相关的关键信息过度分散。为了应对这些挑战,我们提出了一个新的框架,结合遗传指导的层次分配和共生图传播的临床自动诊断。具体来说,我们提出了一个分层的联合预测策略,以解决不平衡的代码分布的挑战。然后,我们利用图卷积神经网络获得医学本体的相关性和语义表示。此外,我们引入多注意力机制来提取关键信息。最后,在MIMIC-III数据集上的大量实验清楚地验证了我们的方法的有效性。
2021-01-27 cs.AI cs.CL
WangLab at MEDIQA-Chat 2023: Clinical Note Generation from Doctor-Patient Conversations using Large Language Models
University of Toronto(多伦多大学);Terrence Donnelly Centre for Cellular and Biomolecular Research(特伦斯·唐纳利细胞与生物分子研究中心);Vector Institute for AI(向量人工智能研究院);University Health Network(大学健康网络);Sunnybrook Health Sciences Centre(桑尼布鲁克健康科学中心)
面向 MEDIQA-Chat 2023 临床笔记生成任务,论文比较 PLM 微调与基于 GPT-4 的少样本 ICL,后者排名第一且生成质量接近人工笔记。
2023-06-03 cs.AI cs.CL cs.LG
Exploring Procedural Data Generation for Automatic Acoustic Guitar Fingerpicking Transcription
Klangio GmbH(Klangio公司);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
本研究提出一种四阶段过程化数据生成流水线,通过合成数据训练CRNN音符跟踪模型,解决原声吉他指弹转录中标注数据稀缺的问题,并证明少量真实数据微调可超越纯真实数据训练效果。
2025-08-11 cs.CL cs.SD eess.AS
Knowledge Graph Construction and Its Application in Automatic Radiology Report Generation from Radiologist's Dictation
Indian Institute of Technology Bombay(印度理工学院孟买分校);Augnito India Pvt Ltd(印度Augnito私人有限公司)
按照惯例,放射科医生准备诊断笔记并与转录员共享。然后,转录员参考笔记准备一份初步格式化的报告,最后,放射科医生审查报告,纠正错误,并签字。此工作流会导致报告出现严重延迟和错误。在目前的研究工作中,我们专注于应用自然语言处理技术,如信息提取(IE)和特定领域的知识图谱(KG)自动生成放射学报告从放射科医生的口述。本文着重于KG建设为每个器官提取信息,从现有的大型语料库的自由文本放射学报告。我们开发了一个信息抽取管道,它结合了基于规则,基于模式,基于词典的技术与词汇语义特征来提取实体和关系。可以从KG访问简短口述中的缺失信息,以生成病理描述,从而生成放射学报告。使用语义相似性度量评估生成的病理描述,与金标准病理描述的相似性为97%。此外,我们的分析表明,我们的IE模块的表现优于OpenIE工具的放射学领域。此外,我们还包括来自放射科医生的手动定性分析,该分析表明,生成的报告中有80 - 85%是正确编写的,其余部分是部分正确的。
2022-06-14 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
Medical Code Assignment with Gated Convolution and Note-Code Interaction
Aalto University(阿尔托大学);Monash University(莫纳什大学)
从临床文本中分配医疗编码是临床信息系统管理的一项基础性工作。由于医疗记录通常很长,医疗编码系统的代码空间很大,因此这项任务是一个长期的挑战。最近的工作应用深度神经网络模型对医疗笔记进行编码,并将医疗代码分配给临床文档。然而,这些方法仍然是无效的,因为它们没有完全编码和捕获冗长和丰富的语义信息的医疗笔记,也没有明确地利用笔记和代码之间的相互作用。我们提出了一种新的方法,门控卷积神经网络,和一个音符代码交互(GatedCNN-NCI),自动医疗代码分配,以克服这些挑战。我们的方法捕获丰富的语义信息的冗长的临床文本更好地表示,通过利用嵌入注入和门控信息传播的医疗笔记编码模块。通过一种新颖的笔记-代码交互设计和图形消息传递机制,我们显式地捕获笔记和代码之间的潜在依赖关系,从而实现有效的代码预测。为了减少可训练参数的数量,还设计了一种权重分配方案。在真实世界临床数据集上的实证实验表明,我们提出的模型在大多数情况下优于最先进的模型,并且我们的模型大小与轻量基线相当。
2022-03-15 cs.CL cs.IR
Query-Guided Self-Supervised Summarization of Nursing Notes
Aalto University(阿尔托大学);Helsinki University Hospital(赫尔辛基大学医院)
针对现有临床摘要方法忽视护理记录且需参考摘要训练的问题,提出无需参考摘要的查询引导自监督领域自适应方法QGSumm,经实验验证其摘要质量高、幻觉率低,为临床条件文本摘要提供新视角。
2024-12-02 cs.AI cs.CL cs.LG