КФУ. Карточка публикации. An Encoder-Decoder Model for ICD-10 Coding of Death Certificates

КАЗАНСКИЙ
ФЕДЕРАЛЬНЫЙ УНИВЕРСИТЕТ

RUS

- EN
- 中文
- ES

AN ENCODER-DECODER MODEL FOR ICD-10 CODING OF DEATH CERTIFICATES

Форма представления

Тезисы и материалы конференций в российских журналах и сборниках

Год публикации

2017

Язык

русский

Авторы, сотрудники КФУ

Тутубалина Елена Викторовна, автор

Библиографическое описание на языке оригинала

An Encoder-Decoder Model for ICD-10 Coding of Death Certificates // NIPS 2017 Machine Learning for Health Workshop. - 2017.

Аннотация

NIPS 2017 Machine Learning for Health Workshop (NIPS ML4H 2017)

Ключевые слова

deep learning, ICD coding, neural networks, encoder-decoder

Название журнала

NIPS 2017 Machine Learning for Health Workshop (NIPS ML4H 2017)

Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на эту карточку

https://repository.kpfu.ru/?p_id=168960

Файлы ресурса

Название файла	Размер (Мб)	Формат
F_encoder_decoder_model_3.pdf	0,12	pdf	посмотреть / скачать

Полная запись метаданных

Поле DC	Значение	Язык
dc.contributor.author	Тутубалина Елена Викторовна	ru_RU
dc.date.accessioned	2017-01-01T00:00:00Z	ru_RU
dc.date.available	2017-01-01T00:00:00Z	ru_RU
dc.date.issued	2017	ru_RU
dc.identifier.citation	An Encoder-Decoder Model for ICD-10 Coding of Death Certificates // NIPS 2017 Machine Learning for Health Workshop. - 2017.	ru_RU
dc.identifier.uri	https://repository.kpfu.ru/?p_id=168960	ru_RU
dc.description.abstract	NIPS 2017 Machine Learning for Health Workshop (NIPS ML4H 2017)	ru_RU
dc.description.abstract	Information extraction from textual documents such as hospital records and health-related user discussions has become a topic of intense interest. The task of medical concept coding is to map a variable length text to medical concepts and corresponding classification codes in some external system or ontology. In this work, we utilize recurrent neural networks to automatically assign ICD-10 codes to fragments of death certificates written in English. We develop end-to-end neural architectures directly tailored to the task, including basic encoder-decoder architecture for statistical translation. In order to incorporate prior knowledge, we concatenate cosine similarities vector among the text and dictionary entry to the encoded state. Being applied to a standard benchmark from CLEF eHealth 2017 challenge, our model achieved F-measure of 85.01\% on a full test set with significant improvement as compared to the average score of 62.2\% for all official participants' approaches.	ru_RU
dc.language.iso	ru	ru_RU
dc.subject	deep learning	ru_RU
dc.subject	ICD coding	ru_RU
dc.subject	neural networks	ru_RU
dc.subject	encoder-decoder	ru_RU
dc.title	An Encoder-Decoder Model for ICD-10 Coding of Death Certificates	ru_RU
dc.type	Тезисы и материалы конференций в российских журналах и сборниках	ru_RU