跳到正文
arXiv cs.CL· Ilia Kopanichuk, Daniil Kartashev, Yuri Bolkonsky, Petr Anokhin, Vladimir Makharev, Iaroslav Bespalov, Dmitry V. Dylov·· 9 小时前AI 评分31

基于监督候选生成与选择性 LLM 调用的高效 ICD-10 编码预测

Call-Efficient ICD-10 Code Prediction via Supervised Candidate Generation and Selective LLM Invocation

AI 导读

一种结合 Transformer 嵌入、树模型监督候选生成与门控 LLM 辅助的 ICD-10 编码预测流程,最终系统 Pre-LLM fusion 在锁定测试集上达到 83.19% Top-1 准确率,仅对 31.97% 的病例调用 LLM。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:从简短临床诊断文本中自动分配 ICD-10 编码是一项实用的医学文本分类与规范化任务。该任务难度较大,因为诊断短语简短且噪声较多,ICD-10 标签空间具有层次结构,且类别分布严重不均衡。本文提出了一种调用高效的 ICD-10 编码预测流水线,结合了 transformer 嵌入、基于树的监督式候选生成、候选级重排序以及门控式 LLM 辅助。评估采用防泄漏验证协议:模型与阈值选择基于折外交叉验证预测,而最终报告在锁定的测试集上进行,且测试集与训练集不共享源文件组。监督式条件父编码候选生成器在锁定测试集上达到 74.32% 的 Top-1 准确率和 93.05% 的 Top-10 候选覆盖率。直接零样本 GPT-5.6-Sol 基线达到 81.01% 的 Top-1 准确率,但需要对每条诊断调用该大型模型。最终可部署系统 Pre-LLM fusion 达到 81.24% 的 OOF-CV 准确率和 83.19% 的锁定测试准确率,同时仅对 31.97% 的案例调用 LLM。这将锁定测试错误率从监督式父编码基线的 25.68% 降至 16.81%,对应 34.5% 的相对错误率降低。结果表明,LLM 最有效的作用是对不确定样本进行受控重排序,而非无限制编码或全数据集调用。
评论: 8 页,8 幅图,4 张表
主题: 计算与语言(cs.CL)
引用为: arXiv:2611.21891 [cs.CL]
  (或 arXiv:2611.21891v1 [cs.CL] 用于此版本)
  https://doi.org/10.48550/arXiv.2611.21891

由 DataCite 颁发的 arXiv DOI(待注册)

提交历史

来自:Vladimir Makharev [查看电子邮件]
[v1] 2026 年 11 月 16 日星期一 21:05:59 UTC(129 KB)

来源:arXiv cs.CL · arxiv.org