[發明專利]基于醫學知識注入提示的少樣本ICD編碼方法和系統

有效

• 申請號: 202310517095.3
• 申請日: 2023-05-09
• 公開（公告）號: CN116227433B
• 公開（公告）日: 2023-07-04
• 發明（設計）人: 劉軍平;楊士臣;朱強;彭濤;胡新榮
• 申請（專利權）人: 武漢紡織大學
• 主分類號: G06F40/12
• 分類號: G06F40/12;G06F40/186;G16H15/00
• 代理公司: 武漢世躍專利代理事務所(普通合伙) 42273
• 代理人: 萬仲達

本發明涉及一種基于醫學知識注入提示的少樣本ICD編碼方法和系統，該方法能夠根據輸入的醫學文本生成最佳的ICD編碼，提高了醫學文本和ICD編碼之間的匹配準確性。該方法包括以下步驟：S1：對輸入的醫學文本進行預處理；S2：通過UMLS和ICD本體的醫學知識圖中的同義詞、縮寫、層次結構構建數據集，并且使用分層三重態損失對longformer模型進行預訓練，將結構化的醫學領域知識注入到longformer模型中；S3：利用UMLS為每個ICD編碼c生成一個對應的編碼描述，并將預處理后的醫學文本t、編碼描述和固定的文本模板拼接在一起，形成一個新的輸入序列，并利用訓練好的longformer模型對輸入序列進行分類，得出ICD編碼的分類結果。

技術領域

本發明屬于醫療數據處理技術領域，特別是涉及基于醫學知識注入提示的少樣本ICD編碼方法和系統。

背景技術

多標簽文本分類是一種自然語言處理(NLP)中常見的任務，它涉及到為一個實例分配多個類別標簽。例如，在學術論文標簽、新聞分類、亞馬遜產品標簽和醫療編碼等應用中，都需要對一個實例進行多標簽分類。而多標簽分類任務比單標簽分類任務更難，因為要考慮類別之間的組合和關系。

在實際應用中，許多類別標簽出現頻率較低，導致訓練數據不足。例如，在國際疾病自動分類(ICD)編碼任務中，給定一份出院病歷作為輸入，需要分配多個與該病歷相關聯的ICD疾病編碼和手術編碼作為輸出。這些編碼對于后續醫療計費非常重要。然而，在MIMIC-III數據集中，共有8692個ICD-9編碼，其中4115個(47.3%)代碼出現次數少于6次，203個(2.3%)編碼從未出現過。由于臨床醫學對準確性要求很高，醫學研究者希望模型能夠對低頻編碼也能做出高精度的預測。然而，由于訓練模型的樣本數量有限，這就面臨了數據稀疏性問題。

發明內容

為了解決現有技術中存在的問題，本發明提供了一種基于醫學知識注入提示的少樣本ICD編碼方法，旨在解決低頻編碼出現率低和數據稀疏性兩個問題。

本發明采用以下步驟：

步驟S1，對輸入的醫學文本t進行預處理；

步驟S2，通過統一醫學語言系統UMLS和國際疾病分類ICD本體的醫學知識圖中的同義詞、縮寫、層次結構構建數據集，并且使用分層三重態損失對longformer模型進行預訓練，將結構化的醫學領域知識注入到longformer模型中；

步驟S3，利用UMLS為每個ICD編碼c生成一個對應的編碼描述，并將預處理后的醫學文本t、編碼描述和固定的文本模板拼接在一起，形成一個新的輸入序列，并利用訓練好的longformer模型對輸入序列進行分類，得出ICD編碼的分類結果。

進一步的，步驟S1中的預處理包括：刪除所有標識標記，將標點符號和非字母數字字符替換為空白，去除多余的空白。

進一步的，步驟S2的具體實現方式如下；

S21，首先通過UMLS和ICD本體的醫學知識圖中的同義詞、縮寫、層次結構構建數據集；具體地說，對于每個ICD編碼c，從醫學知識圖中獲取與之相關聯的同義詞、縮寫、上位概念或下位概念，并根據關聯關系劃分正負樣本，正樣本為編碼c的縮寫或同義詞，負樣本為編碼c的上下級編碼、同級編碼；

S22，構建動態閾值控制的分層三重態損失Triplet?Loss損失函數，小批次B的分層三重態損失可表示為：

其中是小批次B中的所有三聯體，B中三聯體的數量，每個三聯體包括一個錨點，正樣本，負樣本，正樣本為錨點的縮寫或同義詞，負樣本為錨點的上位概念或下位概念；

是一個動態參數，它是根據錨點和負樣本之間的文本相似度來計算的；