Managing Map Cardinality in Automatic Disease Classification Mapping: Balancing Precision, Recall and Coverage

Résumé Technique : Gestion de la Cardinalité des Mappages dans la Classification Automatique des Maladies

Énoncé du Problème
Le mappage automatique des systèmes de classification des maladies, tels que la Classification Internationale des Maladies (CIM), est crucial pour l'intégration des données de santé et l'analyse longitudinale. Cependant, les méthodes existantes basées sur les plongements lexicaux (embeddings) se concentrent principalement sur les mappages de un-à-un, échouant à traiter les scénarios complexes de un-à-plusieurs où un code source unique correspond sémantiquement à plusieurs codes cibles. Les stratégies de sélection actuelles pour gérer la cardinalité — spécifiquement les méthodes basées sur des seuils et les méthodes Top-K — souffrent de compromis inhérents entre précision, rappel et couverture de mappage (la proportion de codes sources possédant au moins un mappage).

• Les méthodes basées sur des seuils privilégient la précision au détriment du rappel et de la couverture ; des seuils élevés produisent une faible couverture, laissant de nombreux codes sources non mappés.
• Les méthodes Top-K garantissent une couverture et un rappel élevés mais sacrifient la précision en imposant un nombre fixe de correspondances, introduisant souvent des faux positifs significatifs (par exemple, générer $K-1$ faux positifs pour des mappages valides de un-à-un).

Ces limitations créent un goulot d'étranglement pour la validation manuelle, où les experts en terminologie doivent soit trier un excès de faux positifs, soit mapper manuellement de larges lacunes de données non mappées.

Méthodologie
Les auteurs proposent un nouveau cadre de blocage et de correspondance (blocking-and-matching framework), inspiré des pipelines de résolution d'entités, pour générer automatiquement des mappages entre différentes versions de la CIM (par exemple, CIM-9-CM $\leftrightarrow$ CIM-10-CM et CIM-10-AM $\leftrightarrow$ CIM-11). L'approche opère en deux étapes distinctes :

1. Étape de Blocage (Génération de Candidats) :
   Au lieu d'évaluer toutes les paires possibles, la méthode génère un ensemble réduit de codes cibles candidats pour chaque code source. Les auteurs introduisent une stratégie de sélection hybride combinant :

• Sélection Top-K : Récupère les $K$ meilleurs codes cibles basés sur la similitude des plongements lexicaux.
• Expansion de Mappage Bidirectionnel (BiMaps) : Construit des mappages de un-à-un dans les deux sens (Source $\to$ Cible et Cible $\to$ Source) et les agrège.
  L'union de ces ensembles forme le « bloc » de candidats. Cette approche hybride vise à maximiser le rappel (retenir les correspondances réelles) tout en minimisant la taille du bloc pour éviter le phénomène de « perte au milieu » (lost in the middle) des grands modèles de langage (LLM), où un contexte excessif dégrade les performances.

2. Étape de Correspondance (Sélection par LLM) :
   La tâche de correspondance est reformulée comme un Questionnaire à Choix Multiples (QCM). Pour chaque code source et son bloc de candidats, un prompt est construit pour instruire un grand modèle de langage (spécifiquement Qwen3-8B) d'identifier tous les codes cibles sémantiquement équivalents. Contrairement à la résolution d'entités traditionnelle qui sélectionne souvent une seule correspondance, cette approche permet au LLM de sélectionner zéro, un ou plusieurs choix, répondant directement au défi de la cardinalité de un-à-plusieurs.

Contributions Clés

1. Cadre Novateur : Introduction d'un pipeline de blocage et de correspondance qui intègre la génération de candidats basée sur les plongements lexicaux avec la sélection pilotée par LLM pour le mappage de la CIM.
2. Atténuation des Compromis : La méthode traite le compromis précision-rappel-couverture inhérent aux méthodes de sélection, offrant une haute précision tout en maintenant un rappel comparable et une large couverture de mappage.
3. Stratégie de Blocage Hybride : Développement d'une stratégie Top-K + BiMaps qui équilibre l'efficacité computationnelle avec la rétention de paires de candidats valides.
4. Validation Empirique : Démonstration d'une performance équilibrée à travers plusieurs paires de versions de la CIM et trois chapitres de maladies spécifiques (Digestif, Infectieux/Parasitaire et Respiratoire).

Résultats
L'étude a évalué la méthode proposée par rapport aux lignes de base de seuil ($\lambda=0,85$) et Top-K ($K=5$) à travers quatre tâches de mappage.

• Précision : Le cadre de blocage et de correspondance a obtenu la précision la plus élevée dans presque toutes les tâches (allant de 0,47 à 0,71), représentant une amélioration de 2 à 3,5 fois par rapport à la ligne de base Top-K et une amélioration de 5 à 35 points de pourcentage par rapport à BiMaps dans la plupart des cas.
• Rappel : Le cadre a maintenu un rappel compétitif (0,53–0,85), comparable aux lignes de base à haut rappel de BiMaps et Top-K, sans les pénalités de précision associées à la sélection Top-K indiscriminée.
• Couverture : La méthode a atteint une couverture de mappage quasi parfaite (MC $\ge$ 0,98), garantissant que presque chaque code source reçoit au moins une correspondance candidate, surmontant ainsi les limitations de couverture des méthodes basées sur des seuils.
• Score F1 : Le cadre a obtenu les scores F1 les plus élevés (0,53–0,77) dans 11 des 12 tâches de mappage, démontrant un équilibre supérieur entre précision et rappel.

Signification et Revendications
L'article affirme que le cadre proposé offre une solution robuste et sans entraînement pour le mappage automatique de la classification des maladies. En exploitant les connaissances médicales générales ancrées dans les LLM pré-entraînés via le prompting zero-shot, la méthode évite le besoin de fine-tuning spécifique à la tâche ou de données de mappage étiquetées.

Les auteurs soulignent que, bien que l'approche basée sur le LLM introduise une surcharge de calcul (environ 43 heures pour les ensembles de données évalués), il s'agit d'un investissement initial justifiable par rapport à la nature laborieuse et chronophage du mappage manuel, qui nécessite souvent de grandes équipes d'experts et des financements importants. La méthode est particulièrement significative pour les transitions majeures de versions de la CIM (qui surviennent occasionnellement), où la création de tables de mappage de haute qualité et réutilisables est essentielle pour l'interopérabilité des données de santé. L'approche réduit efficacement la charge de travail manuel des experts en terminologie en filtrant les candidats non pertinents (haute précision) tout en garantissant qu'aucune correspondance valide n'est omise (haute couverture).