ShifaMind：面向可解释ICD-10编码的乘性概念瓶颈
机器学习
2026-05-12 v1 计算与语言
摘要
从临床出院摘要自动生成ICD-10编码需要模型在长尾多标签分类任务上表现准确且对临床医生具有可解释性。概念瓶颈模型（CBM）通过将预测路由通过人类可解释概念，提供了一种原则化的可解释性框架，但这种透明度往往以牺牲预测能力为代价：将丰富的临床文本表示压缩到狭窄的概念层会限制梯度流并限制预测能力。我们提出ShifaMind，一个围绕乘性概念瓶颈（MCB）构建的概念 grounding 架构，该架构改变了瓶颈的形式，而非宽度。不通过狭窄的概念层进行投影，ShifaMind使用对概念 grounding 表示的学习乘性门控，同时保留标量概念界面以便检查。在MIMIC-IV top-50 ICD-10编码任务上，ShifaMind在F1、AUC和排序指标上与最强基线LAAT持水平性能，同时优于另外五个ICD编码基线，并提供概念中介的解释。其在预测性能和可解释性导向指标上相对于容量匹配的Vanilla CBM的显著提升，凸显了瓶颈设计的重要性。
引用
@article{arxiv.2605.08482,
title = {ShifaMind: A Multiplicative Concept Bottleneck for Interpretable ICD-10 Coding},
author = {Mohammed Sameer Syed and Xuan Lu},
journal= {arXiv preprint arXiv:2605.08482},
year = {2026}
}