[ACL 2022]Code Synonyms Do Matter: Multiple Synonyms Matching Network for Automatic ICD Coding
论文网址：Code Synonyms Do Matter: Multiple Synonyms Matching Network for Automatic ICD Coding - ACL Anthology
论文代码：https://github.com/GanjinZero/ICD-MSMN
目录
1. 心得
2. 论文逐段精读
2.1. Abstract
2.2. Introduction
2.3. Approach
2.3.1. Code Synonyms
2.3.2. Encoding
2.3.3. Multi-synonyms Attention
2.3.4. Classification
2.3.5. Training
2.4. Experiments
2.4.1. Dataset
2.4.2. Implementation Details
2.4.3. Baselines
2.4.4. Main Results
2.4.5. Discussion
2.4.6. Memory Complexity
2.5. Related Work
2.6. Conclusions
1. 心得
（1）感觉创新一般般，正文内容偏少
2. 论文逐段精读
2.1. Abstract
①作者认为现在大家都在关注标签相似度，但作者也想关注同义词编码
②作者想把ICD标签和UMLS知识库对齐以收集同义词
2.2. Introduction
①作者觉得需要匹配同义词如“甲状腺功能减退”=“低的t4指标”
②作者提出Multiple Synonyms Matching Network (MSMN)去解决同义词问题
2.3. Approach
①设自由诊断文本为，其中的单词集是
②任务：多标签分类
③MSMN框架图：
2.3.1. Code Synonyms
①先把每个ICD标签对齐UMLS的概念唯一标识符（CUIs）
②将同义词去掉连字符和NOS（Not Otherwise Specified）之后与ICD标签
连接
③每个词组都由很多单词组成：
hyphen n.连字符
2.3.2. Encoding
①以前的工作觉得BERT不能帮助ICD分类所以作者选了LSTM作为文本编码器？？这，这样写真的好吗
②作者使用一个层的双向LSTM去编码每个单词：
③对同义词也采用同样的编码方式：
2.3.3. Multi-synonyms Attention
①受多头自注意力的启发，将原始标签特征拆分成
个（契合多头的不同头）
：
分别对每个头把同义词标签组和文本特征实行点积计算相似度，然后把每个头算出的相似度分别和文本特征乘起来：
只要至少一个同义词匹配到了相关文本，该特征就会被保留。增强了模型对表达多样性的鲁棒性。
2.3.4. Classification
①使用biaffine transformation计算相似度用于分类：
减少了计算量
2.3.5. Training
①交叉熵损失：
2.4. Experiments
2.4.1. Dataset
①数据集：MIMIC-III full和MIMIC III 50
②数据集统计：
2.4.2. Implementation Details
①同义词数量：在MIMIC III full中，在在MIMIC III 50中
②同义词是随机挑选的同个数，如果数量不够就一直重复
③文本嵌入是用的别的文章的，CBOW什么的
④使用R-Drop且
⑤嵌入后的Dropout rate：
⑥一些超参数：
2.4.3. Baselines
①基线：CAML、MSATT-KG、MultiResCNN、HyperCore、LAAT%JointLAAT
2.4.4. Main Results
①在MIMIC III full上的对比实验：
②在MIMIC III 50上的对比实验：
2.4.5. Discussion
①尝试不同的同义词数量和不同的文本-标签匹配方式：
②同义词表征空间：
2.4.6. Memory Complexity
①使用Einstein 求和优化来少求注意力得分的中间内存
2.5. Related Work
①举例一些机器学习，RNN/CNN，标签注意力，图卷积，知识图谱
2.6. Conclusions
~