证据解剖学：关于可解释ICD编码的调查
计算与语言
2025-07-03 v1 机器学习
摘要
自动医学编码有望缓解文档和账单流程。对于此任务，透明度对医学编码员和监管机构至关重要，这可以通过可解释性方法来实现。然而，这些方法的评估大多受限于短文本和二元设置，因为缺乏标注数据。近期，Cheng等人(2023)引入了MDACE数据集，提供了包含临床记录中代码证据的宝贵资源。在本工作中，我们深入分析MDACE数据集，并从应用角度对当前可解释医学编码系统进行可信度评估。通过这一工作，我们对自动医学编码和证据提取有更深入的理解。我们的发现表明，真实证据在一定程度上与代码描述高度一致。对现有SOTA方法的调查显示其与真实证据高度重叠。我们提出匹配措施并指出成功和失败案例。基于我们的发现，我们为开发和评估可解释医学编码系统提供了建议。
引用
@article{arxiv.2507.01802,
title = {The Anatomy of Evidence: An Investigation Into Explainable ICD Coding},
author = {Katharina Beckh and Elisa Studeny and Sujan Sai Gannamaneni and Dario Antweiler and Stefan Rüping},
journal= {arXiv preprint arXiv:2507.01802},
year = {2025}
}
备注
Accepted to ACL 2025 Findings