ICD 编码理由的评估与 LLM 指导学习
人工智能
2026-03-13 v2
摘要
ICD 编码是将 Electronic Health Records（EHR）中非结构化文本映射到 International Classification of Diseases（ICD 系统）定义的标准代码的过程。为促进信任和透明度，现有关于 ICD 编码模型可解释性的探索主要依赖注意力机制生成的理由和由医生进行的定性评估，却缺乏使用一致标准和专为 ICD 编码任务设计的高质量理由标注数据集进行跨不同理由类型的系统评估。此外，专门训练以生成合理理由的方法仍较少。本文我们评估了 ICD 编码中理由的可解释性，聚焦于两个基本维度：忠实性和可信度——即理由如何影响模型决策以及人类对其多大信服。对于可信度，我们构建了一个新型的、多粒度的 ICD 编码理由标注数据集，基于 MIMIC-IV 数据库和更新后的 ICD-10 编码系统。我们在三种 ICD 编码理由类型上进行全面评估：通过实体链接自动构建的实体级提及、LLM 生成的理由以及基于 ICD 编码模型注意力得分的理由。基于 LLM 生成理由显示出的强可信度，我们进一步利用它们作为遥近监督信号开发理由学习方法。此外，通过对准我们的标注数据集中的少数人类标注示例进行 few-shot 提示，LLM 以及学生理由学习模型在可信度方面实现显著提升。
引用
@article{arxiv.2508.16777,
title = {Evaluation and LLM-Guided Learning of ICD Coding Rationales},
author = {Mingyang Li and Viktor Schlegel and Tingting Mu and Wuraola Oyewusi and Kai Kang and Goran Nenadic},
journal= {arXiv preprint arXiv:2508.16777},
year = {2026}
}