CN119474981A 一种基于图神经网络的医疗icd编码分类方法 （重庆邮电大学）

一种基于图神经网络的医疗ICD编码分类方法本发明属于医疗ICD自动编码领域，具体涉及一种基于图神经网络的医疗ICD编码分类方图神经网络模型输出预测ICD编码结果，采用基待编码的病历数据输入训练好的图神经网络模义相似度、ICD编码间的层次距离和共现频率关间的复杂关系，更好地利用了ICD编码间的潜在22.根据权利要求1所述的一种基于图神经网络的医疗ICD编码分类方法，其特征在于，3.根据权利要求2所述的一种基于图神经网络的医疗ICD编码分类方法，其特征在于，S133.采用预训练的词向量模型将词汇集合中的每一个词汇转化为固定维度的词向4.根据权利要求1所述的一种基于图神经网络的医疗ICD编码分类方法，其特征在于，5.根据权利要求1所述的一种基于图神经网络的医疗ICD编码分类方法，其特征在于，S31.以第l_1个注意力图卷积层的输出Hl作为第l个注意力图卷积层的输入，其中3表示节点i在第l个注意力图卷积层的输入；S32.针对节点i在第l个注意力图卷积层的输入采用注意力机制进行邻居节点特6.根据权利要求1所述的一种基于图神经网络的医疗ICD编码分类方法，其特征在于，4[0002]ICD(InternationalClassificationofDiseases，国际疾病分类)是由世界卫[0004]近年来，基于神经网络的深度学习模型(如卷积神经网络CNN、长短期记忆网络式(如词汇片段、n_grams)来生成文本表[0008]为解决现有的深度学习模型无法充分捕捉ICD编码之间的相似性、层次结构和共5[0009]S1.获取数据集并进行预处理得间的层次距离和共现频率关系纳入图结构中，能够全面地捕捉词语及标签之间的复杂关[0015]提高分类精度和泛化能力：本发明使用图注意力网络(GAT)并引入自适应的注意[0020]S1.获取数据集并进行预处理得6[0028]S133.采用预训练的词向量模型将词汇集合中的每一个词汇转化为固定维度的词m个词汇；采用预训练的Word2vec模型对词汇进行转换得到第n条样本的文本向量[0042]具体地，将节点i和节点j分别对应的ICD编码在数据集中的共现次数作为共现频7表示节点i在第l个注意力图卷积层的输入；[0047]S32.针对节点i在第l个注意力图卷积层的输入采用注意力机制进行邻居节点特征融合处理，得到节点i在第l个注意力图卷积层的更新特征表示nf":从而得到第l力图卷积层的更新特征表示。将所有节点在第l个注意力图卷积层的更新特征表示组合为为8用gensim工具以连续词袋(CBOW)模型对训练集中的所有文本进行word2vec词向量预训练，效果的指标。Precisionmicro是所有样本的整体精确度。它是通过将所有类别中的真正例是所有样本的整体召回率。它是通过将所有类别中的真正例总数除以真正例和假负例(FalseNegatives)之和来计算的。MicroF1通过对所有样本的整体精度和召回率进行计[0066]AUC(ROC曲线下面积)：AUC宏平均(MacroAUC)和微平均(MicroAUC)用于衡量模[0068]其中，AUCi是第i个标签的AUC值。MacroAUC适用于评估各个标签的分类效果。9