面向医学编码的模型集成下的完整证据抽取：案例研究
计算与语言
2026-05-12 v3 信息检索
机器学习
摘要
高风险决策支持系统所需的决策必须基于明确的证据。虽然先前工作聚焦于简短充分证据，但监管合规和医学计费需要完整证据：支撑决策的所有相关输入 token。我们将完整证据抽取定义为一个任务，并在医学编码场景中进行研究。受 Rashomon 效应的启发，我们聚合多个语言模型的 token 级别证据以提高证据的完整性。我们使用现有的等效性能模型、特征归因以及具有人工标注证据的数据集进行案例研究。结果表明，Rashomon 集成显著提高证据召回率，而仅对 individual 模型增加少量 token 开销。仅由三个 model 组成的集成已超过最佳 single model，并能恢复 individual 模型遗漏的信息。
引用
@article{arxiv.2511.07055,
title = {Complete Evidence Extraction with Model Ensembles: A Case Study on Medical Coding},
author = {Katharina Beckh and Sven Heuser and Stefan Rüping},
journal= {arXiv preprint arXiv:2511.07055},
year = {2026}
}