CNN與轉移學習使EMR數據輸入自動化

小編發(fā)現(xiàn)不少朋友對于 CNN與轉移學習使EMR數據輸入自動化 這方面的信息都比較感興趣，小編就針對 CNN與轉移學習使EMR數據輸入自動化 整理了一些相關方面的信息 在這里分享給大家。

根據4月12日發(fā)表在醫(yī)學人工智能雜志上的一篇論文，華盛頓大學的研究人員已經開發(fā)出一種使用卷積神經網絡(CNN)和轉移學習簡化電子病歷(EMR)數據輸入的方法。

該團隊的工作是自動化EMR輸入的一項較大工作的一部分，這既費時又容易出錯。作者Anthony Rios博士和Ramakanth Kavuluru博士說，盡管EMR是臨床必不可少的，但手動記錄國際疾病分類(ICD)代碼和處理論文長度記錄對已經時間緊迫的醫(yī)生提出了挑戰(zhàn)。

Rios和Kavuluru寫道：“用ICD代碼注釋EMR對于醫(yī)療計費非常重要。” “如果無法確定診斷代碼，那么保險公司可能無法支付醫(yī)生/醫(yī)院的費用，或者更糟的是，給患者帶來不公平的財務負擔。因此，開發(fā)自動化的醫(yī)學編碼系統(tǒng)和工具以使人類編碼人員變得更加高效和準確至關重要。”

使用CNN自動化ICD編碼并不是一個新主意，但是Rios和Kavuluru表示，成功的系統(tǒng)有一個主要障礙：一些疾病代碼很少出現(xiàn)，從而缺乏用于訓練CNN的可靠數據。作者試圖通過將轉移學習(從一個任務獲得的知識轉移到另一個任務的過程)應用于他們的工作流來規(guī)避這一問題。

Rios和Kavuluru首先訓練了CNN以使用從PubMed提取的160萬索引生物醫(yī)學摘要來預測醫(yī)學主題，然后訓練了來自肯塔基大學醫(yī)學中心的71,463個真實世界EMR的CNN以預測ICD診斷代碼。

作者發(fā)現(xiàn)，他們的模型的微觀和宏觀F分數，即測試準確性的衡量指標，在采用轉移學習方法時均提高了8%以上。他們的方法也優(yōu)于其他遷移學習方法，從而使宏F得分提高了近2%。

Rios和Kavuluru寫道：“在所有標簽上計算宏F分數時，我們可以對不常用標簽如何執(zhí)行方法有一些見解，如果將常用代碼和不常用代碼進行比較，則會混淆其解釋。” “我們發(fā)現(xiàn)我們提出的方法將不經常使用的標簽性能提高了5%。”

研究小組表示，他們希望通過合并更多的PubMed數據并探索醫(yī)院到醫(yī)院的轉移學習來擴展該方法。盡管他們的結果很好，但他們說仍有改進的空間。

他們寫道：“這條工作線的主要缺點類似于其他轉移學習方法的缺點-我們必須在兩個不同的數據集上訓練模型。” “但是，我們認為這是一個可以接受的弱點，因為只會增加培訓時間。”