我们目前正在开发一个系统，可以从文本输入中返回ICD10-CM代码（一种医疗/诊断编码系统）。示例
- 输入 ‘Black Eye’
- 返回 ‘H44 – 眼球疾病’
问题在于，ICD10-CM有70,000到100,000个代码，因此在我上传所有这些来自.csv文件的文本样本后，无法继续训练模型。
使用多个模型是否是一种解决方案，还是我应该切换到Google的AutoML？
回答：
如果你有70,000到100,000个代码或类别，仅用20,000个样本是无法训练出有用的模型的。相比之下，ImageNet数据集有20,000个类别，但也有1400万个样本。
我不知道ICD10-CM是否有更广泛的类别，但如果有，你可以训练一个模型来预测这些类别。
另一种选择是将自己限制在至少在你的样本中出现100次的代码，并将所有其他代码归为一类。这意味着你将有很多输入无法返回代码。
无论如何，我认为仅用20,000个样本的模型用于实际的医疗用途是危险的。
