从 ICD9 代码预测 RxNorm 代码的卷积网络是否有意义？
Do convolutional networks to predict RxNorm codes from ICD9 codes make sense?
公司要求我专门使用卷积神经网络根据给定的诊断（ICD9 代码）预测开出的药物类型（RxNorm 代码）。我将得到医生开出的一百万张处方。每个处方都独立于下一个。
例如：110, 670, 890, BB2344
前 3 项是 ICD9 代码，最后一项是输出，即 RxNorm 代码。有一百万个。
老实说，这个任务对我来说似乎很荒谬。我不知道如何构建输入。
诊断没有固有顺序，也没有时间戳。
一个诊断可能会增加另一个诊断的可能性；但有很多例子表明它们只是独立的。
ICD9 编码系统具有层次结构，因此代码 110 和 120（均感染）比代码 110 和 890（感染和伤口）的相关性更密切。
基本上，我的输入 "image" 应该是什么样的？或者 CNN 对于这个问题根本没有意义？
谢谢！
CNN 需要输入的空间（或时间）相关性。这里没有这样的东西，所以简短的回答是不，没有意义。一般来说，考虑到数据的简单程度，我实际上希望一些基本的线性模型（在一个热编码数据上）/甚至基本的规则归纳能够很好地工作。
"cnn-like" 结构的唯一可能用途是通过图 CNN 来利用图的性质。由于输入中的层次结构可以被认为是 "spatial" 相关性。
公司要求我专门使用卷积神经网络根据给定的诊断（ICD9 代码）预测开出的药物类型（RxNorm 代码）。我将得到医生开出的一百万张处方。每个处方都独立于下一个。
例如：110, 670, 890, BB2344
前 3 项是 ICD9 代码，最后一项是输出，即 RxNorm 代码。有一百万个。
老实说，这个任务对我来说似乎很荒谬。我不知道如何构建输入。
诊断没有固有顺序，也没有时间戳。
一个诊断可能会增加另一个诊断的可能性；但有很多例子表明它们只是独立的。
ICD9 编码系统具有层次结构，因此代码 110 和 120（均感染）比代码 110 和 890（感染和伤口）的相关性更密切。
基本上，我的输入 "image" 应该是什么样的？或者 CNN 对于这个问题根本没有意义？
谢谢！
CNN 需要输入的空间（或时间）相关性。这里没有这样的东西，所以简短的回答是不，没有意义。一般来说，考虑到数据的简单程度，我实际上希望一些基本的线性模型（在一个热编码数据上）/甚至基本的规则归纳能够很好地工作。
"cnn-like" 结构的唯一可能用途是通过图 CNN 来利用图的性质。由于输入中的层次结构可以被认为是 "spatial" 相关性。