小編發現不少朋友對于 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日發表在醫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生提出了挑戰。

Rios和Kavuluru寫道：“用ICD代碼注釋EMR對于醫療計費非常重要。” “如果無法確定診斷代碼，那么保險公司可能無法支付醫生/醫院的費用，或者更糟的是，給患者帶來不公平的財務負擔。因此，開發自動化的醫學編碼系統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，成功的系統有一個主要障礙：一些疾病代碼很少出現，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160萬索引生物醫學摘要來預測醫學主題，然后訓練了來自肯塔基大學醫學中心的71,463個真實世界EMR的CNN以預測ICD診斷代碼。

作者發現，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。” “我們發現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數據并探索醫院到醫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。”