CNN与转移学习使EMR数据输入自动化

小编发现不少朋友对于 CNN与转移学习使EMR数据输入自动化 这方面的信息都比较感兴趣，小编就针对 CNN与转移学习使EMR数据输入自动化 整理了一些相关方面的信息 在这里分享给大家。

根据4月12日发表在医学人工智能杂志上的一篇论文，华盛顿大学的研究人员已经开发出一种使用卷积神经网络(CNN)和转移学习简化电子病历(EMR)数据输入的方法。

该团队的工作是自动化EMR输入的一项较大工作的一部分，这既费时又容易出错。作者Anthony Rios博士和Ramakanth Kavuluru博士说，尽管EMR是临床必不可少的，但手动记录国际疾病分类(ICD)代码和处理论文长度记录对已经时间紧迫的医生提出了挑战。

Rios和Kavuluru写道：“用ICD代码注释EMR对于医疗计费非常重要。” “如果无法确定诊断代码，那么保险公司可能无法支付医生/医院的费用，或者更糟的是，给患者带来不公平的财务负担。因此，开发自动化的医学编码系统和工具以使人类编码人员变得更加高效和准确至关重要。”

使用CNN自动化ICD编码并不是一个新主意，但是Rios和Kavuluru表示，成功的系统有一个主要障碍：一些疾病代码很少出现，从而缺乏用于训练CNN的可靠数据。作者试图通过将转移学习(从一个任务获得的知识转移到另一个任务的过程)应用于他们的工作流来规避这一问题。

Rios和Kavuluru首先训练了CNN以使用从PubMed提取的160万索引生物医学摘要来预测医学主题，然后训练了来自肯塔基大学医学中心的71,463个真实世界EMR的CNN以预测ICD诊断代码。

作者发现，他们的模型的微观和宏观F分数，即测试准确性的衡量指标，在采用转移学习方法时均提高了8%以上。他们的方法也优于其他迁移学习方法，从而使宏F得分提高了近2%。

Rios和Kavuluru写道：“在所有标签上计算宏F分数时，我们可以对不常用标签如何执行方法有一些见解，如果将常用代码和不常用代码进行比较，则会混淆其解释。” “我们发现我们提出的方法将不经常使用的标签性能提高了5%。”

研究小组表示，他们希望通过合并更多的PubMed数据并探索医院到医院的转移学习来扩展该方法。尽管他们的结果很好，但他们说仍有改进的空间。

他们写道：“这条工作线的主要缺点类似于其他转移学习方法的缺点-我们必须在两个不同的数据集上训练模型。” “但是，我们认为这是一个可以接受的弱点，因为只会增加培训时间。”