CN112635001B - 一种icd编码数据处理方法、系统、存储介质及设备 - Google Patents

一种icd编码数据处理方法、系统、存储介质及设备 Download PDF

Info

Publication number
CN112635001B
CN112635001B CN202011521635.8A CN202011521635A CN112635001B CN 112635001 B CN112635001 B CN 112635001B CN 202011521635 A CN202011521635 A CN 202011521635A CN 112635001 B CN112635001 B CN 112635001B
Authority
CN
China
Prior art keywords
icd
tensor
coding prediction
loss
data processing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011521635.8A
Other languages
English (en)
Other versions
CN112635001A (zh
Inventor
何彬彬
吴军
高希余
樊昭磊
张伯政
桑波
何云威
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongyang Health Technology Group Co ltd
Original Assignee
Shandong Msunhealth Technology Group Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong Msunhealth Technology Group Co Ltd filed Critical Shandong Msunhealth Technology Group Co Ltd
Priority to CN202011521635.8A priority Critical patent/CN112635001B/zh
Publication of CN112635001A publication Critical patent/CN112635001A/zh
Application granted granted Critical
Publication of CN112635001B publication Critical patent/CN112635001B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/12—Use of codes for handling textual entities
    • G06F40/126—Character encoding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Epidemiology (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明属于数据处理领域，提供了一种ICD编码数据处理方法、系统、存储介质及设备。其中，ICD编码数据处理方法包括获取医疗过程信息；将医疗过程信息输入至ICD编码预测模型中，输出ICD编码预测结果；所述ICD编码预测结果采用张量表示，该张量中的值的数量与ICD中编码的数量一致，张量中每个值表示其对应ICD中编码的概率值；其中，ICD编码预测模型使用损失函数loss进行优化直至到达预设目标，所述损失函数loss由ICD编码预测结果对应的张量构建且具有三角函数、二次函数以及指数函数的性质。

Description

一种ICD编码数据处理方法、系统、存储介质及设备
技术领域
本发明属于数据处理领域，尤其涉及一种ICD编码数据处理方法、系统、存储介质及设备。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
随着当今ICD-10编码在医疗系统中的推广及应用，各级医疗结构都积累了大量的经过了编码的医疗数据，但是由于当前编码员人力紧缺，人员素质参差不齐，数据中往往混杂着一部分错误编码的医疗数据。在使用深度学习技术对这些编码后的混杂着一部分错误编码的医疗数据进行处理的过程中，发明人发现，由于使用的交叉熵损失函数其设计初衷是假设所有的数据样本均为正确样本，没有考虑到数据中错误样本的问题，会在深度学习模型中传播大量的错误梯度，从而影响诊断编码结果。
发明内容
为了解决上述背景技术中存在的至少一项技术问题，本发明提供一种ICD编码数据处理方法、系统、存储介质及设备，其能够使得模型对于边界样本的过学习现象得到抑制，提高ICD编码数据输出结果的准确性。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种ICD编码数据处理方法。
一种ICD编码数据处理方法，包括：
获取医疗过程信息；
将医疗过程信息输入至ICD编码预测模型中，输出ICD编码预测结果；所述ICD编码预测结果采用张量表示，该张量中的值的数量与ICD中编码的数量一致，张量中每个值表示其对应ICD中编码的概率值；
其中，ICD编码预测模型使用损失函数loss进行优化直至到达预设目标，所述损失函数loss由ICD编码预测结果对应的张量构建且具有三角函数、二次函数以及指数函数的性质。
作为一种实施方式，损失函数loss为：
Figure BDA0002849172060000021
进行优化；
其中，P为ICD编码预测结果对应的张量；L为表示主诊断编码结果的one-hot标签，其与张量P的维度相同；β为边界损失权重；γ为错误样本权重。
上述技术方案的优点在于：该损失函数具有三角函数、二次函数以及指数函数的性质，控制了错误的ICD编码样本对于神经网络训练过程中的形成的错误梯度的干扰规模，而且提供了对分类边界附近的边界样本的权重控制项，使得模型对于边界样本的过学习现象能够得到抑制，继而提升了模型的训练效果，最终提高了ICD编码预测结果的准确性。
作为一种实施方式，边界损失权重β及错误样本权重γ均为大于0的数值。
其中，边界损失权重β可以按照需求调整，用于控制分类边界附近的样本损失权重；错误样本权重γ可以按照需求调整，用于控制错误样本的损失权重。
作为一种实施方式，ICD编码预测结果对应的张量中最大的值对应的ICD编码就是患者的主诊断编码结果。
上述技术方案的优点在于：利用张量表示ICD编码预测结果，张量中的值的数量与ICD中编码的数量一致，张量中每个值表示其对应ICD中编码的概率值，将医疗过程信息所对应的ICD中编码的预测结果进行了量化，根据张量中最大的值对应的ICD编码确定为患者的主诊断编码结果，提高了主诊断编码结果的准确性。
作为一种实施方式，所述ICD编码预测结果对应的张量中所有数的取值范围在0到1之间且所有数的和为1。
作为一种实施方式，所述医疗过程信息包括入院记录和病程记录。
本发明的第二个方面提供一种ICD编码数据处理系统。
一种ICD编码数据处理系统，包括：
信息获取模块，其用于获取医疗过程信息；
ICD编码预测模块，其用于将医疗过程信息输入至ICD编码预测模型中，输出ICD编码预测结果；所述ICD编码预测结果采用张量表示，该张量中的值的数量与ICD中编码的数量一致，张量中每个值表示其对应ICD中编码的概率值；
其中，ICD编码预测模型使用损失函数loss进行优化直至到达预设目标，所述损失函数loss由ICD编码预测结果对应的张量构建且具有三角函数、二次函数以及指数函数的性质。
作为一种实施方式，损失函数loss为：
Figure BDA0002849172060000031
进行优化；
其中，P为ICD编码预测结果对应的张量；L为表示主诊断编码结果的one-hot标签，其与张量P的维度相同；β为边界损失权重；γ为错误样本权重。
上述技术方案的优点在于：该损失函数具有三角函数、二次函数以及指数函数的性质，控制了错误的ICD编码样本对于神经网络训练过程中的形成的错误梯度的干扰规模，而且提供了对分类边界附近的边界样本的权重控制项，使得模型对于边界样本的过学习现象能够得到抑制，继而提升了模型的训练效果，最终提高了ICD编码预测结果的准确性。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的ICD编码数据处理方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的ICD编码数据处理方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明将医疗过程信息输入至ICD编码预测模型中，输出ICD编码预测结果，其中，ICD编码预测结果采用张量来表示，利用该张量设计损失函数，该损失函数具有三角函数、二次函数以及指数函数的性质，控制了错误的ICD编码样本对于神经网络训练过程中的形成的错误梯度的干扰规模，而且提供了对分类边界附近的边界样本的权重控制项，使得模型对于边界样本的过学习现象能够得到抑制，继而提升了模型的训练效果，而传统的交叉熵损失函数均不具备这些优点，最终提高了ICD编码预测结果的准确性。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例的ICD编码数据处理方法流程图。
图2是本发明实施例的ICD编码数据处理系统结构示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
根据本发明的背景技术可知，如何能够针对当前使用混杂着一部分错误编码的ICD编码数据，借助深度学习技术进行主诊断编码的场景中，设计一种能够对错误数据具有鲁棒性的处理方法显得尤为重要。
为了解决上述问题，本实施例的一种ICD编码数据处理方法，如图1所示，具体包括如下步骤：
S101：获取医疗过程信息。
在具体实施中，所述医疗过程信息包括但不限于入院记录和病程记录。
S102：将医疗过程信息输入至ICD编码预测模型中，输出ICD编码预测结果；所述ICD编码预测结果采用张量表示，该张量中的值的数量与ICD中编码的数量一致，张量中每个值表示其对应ICD中编码的概率值；
其中，ICD编码预测模型使用损失函数loss进行优化直至到达预设目标，所述损失函数loss由ICD编码预测结果对应的张量构建且具有三角函数、二次函数以及指数函数的性质。
具体地，所述ICD编码预测结果对应的张量中所有数的取值范围在0到1之间且所有数的和为1。
其中，ICD编码预测结果对应的张量中最大的值对应的ICD编码就是患者的主诊断编码结果。
本实施例利用张量表示ICD编码预测结果，张量中的值的数量与ICD中编码的数量一致，张量中每个值表示其对应ICD中编码的概率值，将医疗过程信息所对应的ICD中编码的预测结果进行了量化，根据张量中最大的值对应的ICD编码确定为患者的主诊断编码结果，提高了主诊断编码结果的准确性。
在具体实施中，损失函数loss为：
Figure BDA0002849172060000061
进行优化；
其中，P为ICD编码预测结果对应的张量；L为表示主诊断编码结果的one-hot标签，其与张量P的维度相同；β为边界损失权重；γ为错误样本权重。
其中，边界损失权重β及错误样本权重γ均为大于0的数值。边界损失权重β可以按照需求调整，用于控制分类边界附近的样本损失权重；错误样本权重γ可以按照需求调整，用于控制错误样本的损失权重。
本实施例的该损失函数具有三角函数、二次函数以及指数函数的性质，控制了错误的ICD编码样本对于神经网络训练过程中的形成的错误梯度的干扰规模，而且提供了对分类边界附近的边界样本的权重控制项，使得模型对于边界样本的过学习现象能够得到抑制，继而提升了模型的训练效果，最终提高了ICD编码预测结果的准确性。
经过实践证实，本实施例的该ICD编码数据处理方法能够在混杂着一部分错误编码的ICD编码数据中训练出比使用传统交叉熵方法性能更好的主诊断编码模型，最终提高了ICD编码预测结果的准确性。
此处需要说明的是，ICD编码预测模型为现有的神经网络模型，比如BP神经网络等，其具体结构，本领域技术人员可根据实际情况来具体设置，此处不再详述。
实施例二
如图2所示，本实施提供了一种ICD编码数据处理系统，包括：
(1)信息获取模块，其用于获取医疗过程信息。
在具体实施中，所述医疗过程信息包括但不限于入院记录和病程记录。
(2)ICD编码预测模块，其用于将医疗过程信息输入至ICD编码预测模型中，输出ICD编码预测结果；所述ICD编码预测结果采用张量表示，该张量中的值的数量与ICD中编码的数量一致，张量中每个值表示其对应ICD中编码的概率值；
其中，ICD编码预测模型使用损失函数loss进行优化直至到达预设目标，所述损失函数loss由ICD编码预测结果对应的张量构建且具有三角函数、二次函数以及指数函数的性质。
具体地，所述ICD编码预测结果对应的张量中所有数的取值范围在0到1之间且所有数的和为1。
其中，ICD编码预测结果对应的张量中最大的值对应的ICD编码就是患者的主诊断编码结果。
本实施例利用张量表示ICD编码预测结果，张量中的值的数量与ICD中编码的数量一致，张量中每个值表示其对应ICD中编码的概率值，将医疗过程信息所对应的ICD中编码的预测结果进行了量化，根据张量中最大的值对应的ICD编码确定为患者的主诊断编码结果，提高了主诊断编码结果的准确性。
在具体实施中，损失函数loss为：
Figure BDA0002849172060000081
进行优化；
其中，P为ICD编码预测结果对应的张量；L为表示主诊断编码结果的one-hot标签，其与张量P的维度相同；β为边界损失权重；γ为错误样本权重。
其中，边界损失权重β及错误样本权重γ均为大于0的数值。边界损失权重β可以按照需求调整，用于控制分类边界附近的样本损失权重；错误样本权重γ可以按照需求调整，用于控制错误样本的损失权重。
本实施例的该损失函数具有三角函数、二次函数以及指数函数的性质，控制了错误的ICD编码样本对于神经网络训练过程中的形成的错误梯度的干扰规模，而且提供了对分类边界附近的边界样本的权重控制项，使得模型对于边界样本的过学习现象能够得到抑制，继而提升了模型的训练效果，最终提高了ICD编码预测结果的准确性。
经过实践证实，本实施例的该ICD编码数据处理方法能够在混杂着一部分错误编码的ICD编码数据中训练出比使用传统交叉熵方法性能更好的主诊断编码模型，最终提高了ICD编码预测结果的准确性。
此处需要说明的是，ICD编码预测模型为现有的神经网络模型，比如BP神经网络等，其具体结构，本领域技术人员可根据实际情况来具体设置，此处不再详述。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的ICD编码数据处理方法中的步骤。
本实施例将医疗过程信息输入至ICD编码预测模型中，输出ICD编码预测结果，其中，ICD编码预测结果采用张量来表示，利用该张量设计损失函数，该损失函数具有三角函数、二次函数以及指数函数的性质，控制了错误的ICD编码样本对于神经网络训练过程中的形成的错误梯度的干扰规模，而且提供了对分类边界附近的边界样本的权重控制项，使得模型对于边界样本的过学习现象能够得到抑制，继而提升了模型的训练效果，而传统的交叉熵损失函数均不具备这些优点，最终提高了ICD编码预测结果的准确性。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的ICD编码数据处理方法中的步骤。
本实施例将医疗过程信息输入至ICD编码预测模型中，输出ICD编码预测结果，其中，ICD编码预测结果采用张量来表示，利用该张量设计损失函数，该损失函数具有三角函数、二次函数以及指数函数的性质，控制了错误的ICD编码样本对于神经网络训练过程中的形成的错误梯度的干扰规模，而且提供了对分类边界附近的边界样本的权重控制项，使得模型对于边界样本的过学习现象能够得到抑制，继而提升了模型的训练效果，而传统的交叉熵损失函数均不具备这些优点，最终提高了ICD编码预测结果的准确性。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种ICD编码数据处理方法，其特征在于，包括：
获取医疗过程信息；
将医疗过程信息输入至ICD编码预测模型中，输出ICD编码预测结果；所述ICD编码预测结果采用张量表示，该张量中的值的数量与ICD中编码的数量一致，张量中每个值表示其对应ICD中编码的概率值；其中，ICD编码预测结果对应的张量中所有数的取值范围在0到1之间且所有数的和为1；
其中，ICD编码预测模型使用损失函数loss进行优化直至到达预设目标，所述损失函数loss由ICD编码预测结果对应的张量构建且具有三角函数、二次函数以及指数函数的性质；损失函数loss为：
Figure FDA0004058218590000011
其中，P为ICD编码预测结果对应的张量；L为表示主诊断编码结果的one-hot标签，其与张量P的维度相同；β为边界损失权重；γ为错误样本权重。
2.如权利要求1所述的ICD编码数据处理方法，其特征在于，边界损失权重β及错误样本权重γ均为大于0的数值。
3.如权利要求1所述的ICD编码数据处理方法，其特征在于，ICD编码预测结果对应的张量中最大的值对应的ICD编码就是患者的主诊断编码结果。
4.如权利要求1所述的ICD编码数据处理方法，其特征在于，所述医疗过程信息包括入院记录和病程记录。
5.一种ICD编码数据处理系统，用于实现权利要求1-4任一项权利要求所述的ICD编码数据处理方法，其特征在于，包括：
信息获取模块，其用于获取医疗过程信息；
ICD编码预测模块，其用于将医疗过程信息输入至ICD编码预测模型中，输出ICD编码预测结果；所述ICD编码预测结果采用张量表示，该张量中的值的数量与ICD中编码的数量一致，张量中每个值表示其对应ICD中编码的概率值；其中，ICD编码预测结果对应的张量中所有数的取值范围在0到1之间且所有数的和为1；
其中，ICD编码预测模型使用损失函数loss进行优化直至到达预设目标，所述损失函数loss由ICD编码预测结果对应的张量构建且具有三角函数、二次函数以及指数函数的性质；损失函数loss为：
Figure FDA0004058218590000021
其中，P为ICD编码预测结果对应的张量；L为表示主诊断编码结果的one-hot标签，其与张量P的维度相同；β为边界损失权重；γ为错误样本权重。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一项权利要求所述的ICD编码数据处理方法中的步骤。
7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-4中任一项权利要求所述的ICD编码数据处理方法中的步骤。
CN202011521635.8A 2020-12-21 2020-12-21 一种icd编码数据处理方法、系统、存储介质及设备 Active CN112635001B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011521635.8A CN112635001B (zh) 2020-12-21 2020-12-21 一种icd编码数据处理方法、系统、存储介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011521635.8A CN112635001B (zh) 2020-12-21 2020-12-21 一种icd编码数据处理方法、系统、存储介质及设备

Publications (2)

Publication Number Publication Date
CN112635001A CN112635001A (zh) 2021-04-09
CN112635001B true CN112635001B (zh) 2023-04-07

Family

ID=75320397

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011521635.8A Active CN112635001B (zh) 2020-12-21 2020-12-21 一种icd编码数据处理方法、系统、存储介质及设备

Country Status (1)

Country Link
CN (1) CN112635001B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114023412B (zh) * 2021-11-23 2024-06-21 大连海事大学 基于联合学习和去噪机制的icd代码预测方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110414620A (zh) * 2019-08-06 2019-11-05 厦门大学 一种语义分割模型训练方法、计算机设备及存储介质
CN110827929A (zh) * 2019-11-05 2020-02-21 中山大学 疾病分类编码识别方法、装置、计算机设备及存储介质
CN110910982A (zh) * 2019-11-04 2020-03-24 广州金域医学检验中心有限公司 自编码模型训练方法、装置、设备及存储介质
CN111382272A (zh) * 2020-03-09 2020-07-07 西南交通大学 一种基于知识图谱的电子病历icd自动编码方法
CN111402974A (zh) * 2020-03-06 2020-07-10 西南交通大学 一种基于深度学习的电子病历icd自动编码方法
CN111462896A (zh) * 2020-03-31 2020-07-28 重庆大学 一种基于病案的实时智能辅助icd编码系统和方法
CN111540468A (zh) * 2020-04-21 2020-08-14 重庆大学 一种诊断原因可视化的icd自动编码方法与系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109993227B (zh) * 2019-03-29 2021-09-24 京东方科技集团股份有限公司 自动添加国际疾病分类编码的方法、系统、装置和介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110414620A (zh) * 2019-08-06 2019-11-05 厦门大学 一种语义分割模型训练方法、计算机设备及存储介质
CN110910982A (zh) * 2019-11-04 2020-03-24 广州金域医学检验中心有限公司 自编码模型训练方法、装置、设备及存储介质
CN110827929A (zh) * 2019-11-05 2020-02-21 中山大学 疾病分类编码识别方法、装置、计算机设备及存储介质
CN111402974A (zh) * 2020-03-06 2020-07-10 西南交通大学 一种基于深度学习的电子病历icd自动编码方法
CN111382272A (zh) * 2020-03-09 2020-07-07 西南交通大学 一种基于知识图谱的电子病历icd自动编码方法
CN111462896A (zh) * 2020-03-31 2020-07-28 重庆大学 一种基于病案的实时智能辅助icd编码系统和方法
CN111540468A (zh) * 2020-04-21 2020-08-14 重庆大学 一种诊断原因可视化的icd自动编码方法与系统

Also Published As

Publication number Publication date
CN112635001A (zh) 2021-04-09

Similar Documents

Publication Publication Date Title
CN110544239B (zh) 基于条件生成对抗网络的多模态mri转换方法、系统及介质
CN115222630B (zh) 图像生成方法、图像去噪模型的训练方法和设备
CN108376558A (zh) 一种多模态核磁共振影像病历报告自动生成方法
CN111402257B (zh) 一种基于多任务协同跨域迁移的医学图像自动分割方法
US20180276105A1 (en) Active learning source code review framework
CN112000770B (zh) 面向智能问答的基于语义特征图的句子对语义匹配方法
CN108681689B (zh) 基于生成对抗网络的帧率增强步态识别方法及装置
CN112635001B (zh) 一种icd编码数据处理方法、系统、存储介质及设备
CN111008693A (zh) 一种基于数据压缩的网络模型构建方法、系统和介质
CN111160523A (zh) 基于特征值区域的动态量化方法、系统及介质
WO2019207581A1 (en) System and method for emulating quantization noise for a neural network
CN110136135A (zh) 分割方法、装置、设备以及存储介质
CN114444668A (zh) 网络量化方法及系统及装置及介质及图像处理方法
CN111127360A (zh) 一种基于自动编码器的灰度图像迁移学习方法
CN111260041A (zh) 具有自适应精度的数值的离散化
KR20210111677A (ko) 뉴럴 네트워크의 클리핑 방법, 뉴럴 네트워크의 컨벌루션 계산 방법 및 그 방법을 수행하기 위한 전자 장치
CN106934837A (zh) 图像重构方法及装置
CN115796156A (zh) 文本纠错方法、装置、设备及介质
CN114049315B (zh) 关节识别方法、电子设备、存储介质及计算机程序产品
CN116386725A (zh) 联合病理组学特征的肿瘤差异基因表达谱预测方法及系统
CN115758245A (zh) 一种多模态数据分类方法、装置、设备和存储介质
CN113849634B (zh) 用于提升深度模型推荐方案可解释性的方法
CN112200275B (zh) 人工神经网络的量化方法及装置
CN114661665A (zh) 执行引擎的确定方法、模型训练方法和装置
Leão et al. Stochastic near-optimal controls for path-dependent systems

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 12 / F, building 1, Aosheng building, 1166 Xinluo street, hi tech Zone, Jinan City, Shandong Province

Patentee after: Zhongyang Health Technology Group Co.,Ltd.

Address before: 12 / F, building 1, Aosheng building, 1166 Xinluo street, hi tech Zone, Jinan City, Shandong Province

Patentee before: SHANDONG MSUNHEALTH TECHNOLOGY GROUP Co.,Ltd.