买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉齐鲁工业大学(山东省科学院)申请的专利基于对比学习的疾病分类ICD自动编码方法和装置获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116822579B 。

龙图腾网通过国家知识产权局官网在2025-12-12发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310801045.8，技术领域涉及：G06N3/0455；该发明授权基于对比学习的疾病分类ICD自动编码方法和装置是由鹿文鹏;赵直倬;张鑫;张国标;管红娇;董祥军设计研发完成，并于2023-07-03向国家知识产权局提交的专利申请。

本基于对比学习的疾病分类ICD自动编码方法和装置在说明书摘要公布了：本发明公开了基于对比学习的疾病分类ICD自动编码方法和装置，属于自然语言处理及人工智能领域。本发明要解决的技术问题为如何使用自然语言处理技术为患者的电子病历文本匹配相对应的诊断编码即疾病分类编码，以减少医疗人员的工作量，提高自动编码匹配正确率，提高匹配速度，采用的技术方案为：①一种基于对比学习的疾病分类ICD自动编码方法，该方法包括如下步骤：S1、构建ICD自动编码模型训练数据集；S2、构建ICD自动编码模型；S3、训练ICD自动编码模型。②一种基于对比学习的疾病分类ICD自动编码装置，该装置包括，ICD自动编码模型训练数据集构建单元、ICD自动编码模型构建单元、ICD自动编码模型训练单元。

本发明授权基于对比学习的疾病分类ICD自动编码方法和装置在权利要求书中公布了：1.基于对比学习的疾病分类ICD自动编码方法，其特征在于，该方法是通过构建数据预处理模块并训练由正负样例生成及选择模块、逐标签对比学习注意力模块、预测模块组成的ICD自动编码模型，以此关注ICD编码之间的相互关系以及ICD编码与电子病历文本的语义信息表示之间的相互作用，并提高模型对医疗术语不同表述的识别能力以及提高模型对相似概念文本的区分能力，以达到为电子病历文本更精准地分配ICD编码的目标，具体如下： S1、构建ICD自动编码模型训练数据集：将患者电子病历文本中出院小结部分与其ICD编码关联在一起构成ICD自动编码训练数据集； S2、构建ICD自动编码模型：由S201正负样例生成及选择模块、S202逐标签对比学习注意力模块、S203预测模块共同组成； S3、训练ICD自动编码模型：在S1构建的ICD自动编码训练数据集上，对S2构建的ICD自动编码模型进行训练； 所述的ICD自动编码模型进行训练并优化，具体如下： 通过一定权重而结合两种损失函数，进行模型的优化；首先通过将S203中预测与真实标签计算二元交叉熵损失函数，其次计算基于外部知识的困难对比学习损失函数，将两者按照权重比例1：λ进行加权求和，作为最终损失函数；利用该损失函数，在S1所构建的ICD自动编码模型训练数据集上，对S2所构建的ICD自动编码模型进行优化训练；本方法模型尚未充分训练时，需要在训练数据集上进行训练，以优化模型参数；当模型训练完毕时，模型可以为输入的电子病历文本预测对应的ICD编码； S301、计算二元交叉熵损失函数：将S203输出的长度为|L|的预测ICD编码的onehot向量与电子病历所对应的正确ICD编码的onehot向量计算二元交叉熵损失，公式如下： 其中|L|代表在ICD自动编码模型训练数据集中出现的ICD编码的总个数，代表ICD自动编码模型对于长度为|L|的onehot向量中第j个位置上预测的结果，属于{0,1}，yj代表在电子病历所对应的正确ICD编码的onehot向量在第j个编码上的结果，属于{0,1}，θ为模型在预测时选择的阈值，是一个超参数； S302、构建总的损失函数：包含两个部分，分别为S301中计算的二元交叉熵损失函数、S202得到基于外部知识的困难对比学习的损失；并将两者按照1:λ的权重进行相加，具体公式如下： θ为模型在预测时选择的阈值，是一个超参数；λ是人工设定的超参数； 3、优化模型训练：使用Adamw为优化算法，学习率设置为0.001，在ICD自动编码模型训练数据集中进行优化训练。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人齐鲁工业大学(山东省科学院)，其通讯地址为：250353 山东省济南市长清区大学路3501号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。