Automated ICD Classification of Psychiatric Diagnoses: From Classical NLP to Large Language Models

忙雑な病院を想像してください。医師たちが毎日、患者のメンタルヘルスに関する何千もの記録を書き留めています。これらの記録は、「空虚感がある」「眠れない」「すべてが心配だ」といった、自由な表現で書かれています。病院の記録や統計を管理するために、これらの記録は「ICDコード」と呼ばれる厳格で標準化されたコード（バーコードのようなもの）に変換する必要があります。

現在、この変換作業は人間が行っています。これは遅く、疲弊しやすく、間違いも起こりやすいものです。この論文は、そのような散らかった記録を読み取り、自動的に正しいバーコードを割り当てる「スマートなロボット」を構築することについて述べています。

以下に、研究者たちがこのロボットを構築しようとした方法を、簡単な比喩を用いて説明します。

1. 課題：「ロングテール」問題

研究者たちは、145,000 件ものスペイン語の精神科記録という膨大な図書館を持っていました。彼らはコンピュータに、それらの記録を「不安」「うつ病」などの 85 種類の異なるカテゴリに分類することを教えようとしていました。

しかし、データは偏っていました。80% のキャンディが赤色（一般的な診断）で、青、緑、紫色のキャンディ（稀な診断）がわずかしかないキャンディの瓶を想像してください。これは「ロングテール分布」と呼ばれます。ほとんどの分類ロボットは、赤いキャンディを見つけるのが非常に上手になりますが、希少でカラフルなキャンディを完全に見逃してしまいます。

2. 対決：旧式 vs 新技術

研究者たちは、どのタイプの「頭脳」が記録を最もよく分類できるかを見るために、異なるタイプの「頭脳」同士で競争を行いました。

• 旧式チーム（BoW & TF-IDF）:
  これらのロボットを「キーワードマッチャー」と考えてください。彼らは記録をスキャンして、「『悲しい』という言葉が見えるので、『うつ病』のコードを割り当てる」と言います。彼らは高速ですが、文字通りです。もし医師が「悲しい」ではなく「胸に重い荷物が乗っているような気がする」と書いた場合、これらのロボットは混乱するかもしれません。

  • 結果: 彼らはそこそこでしたが、ニュアンスを見逃していました。

• 中間層（LSA, LDA, Doc2Vec）:
  これらは「トピック推測者」のようなものです。彼らは、よく一緒に現れる単語をグループ化して、一般的なテーマを推測しようとします。

  • 結果: 彼らは苦労しました。スペイン語の精神科記録で使用される特定の医学用語を十分に理解することができませんでした。

• *スーパースター（大規模言語モデル - LLMs）:
  これらは「文脈理解者」です。数百万冊の本を読み、「空虚感」と「やる気の喪失」が、実際には「うつ病」という言葉がなくても、うつ病の同義語であることを理解するロボットを想像してください。彼らはキーワードだけでなく、雰囲気や物語を理解します。

  • 結果: これらのモデル、特に「e5 large」と呼ばれるモデルが、競争を圧倒しました。

3. 勝利の戦略：ファインチューニング

研究者たちは、既製の「スーパースター」ロボットを購入して、うまくいくことを願うだけでは十分ではないと気づきました。一般的なロボットは、スペインの病院の特定のルールを知りません。

そこで、彼らは「ファインチューニング」と呼ばれる技術を使用しました。

• 比喩: 優秀な大学卒業生（事前学習済み AI）を雇い、病院での特定のインターンシップを与えることを想像してください。彼らに、この特定の病院がどのように記録を書くかという数千の例を見せます。
• 結果: ロボットは医師の特定の「方言」を学びました。それは単に言語を理解する段階から、医療言語を理解する段階へと進みました。このアプローチは、最高得点である 0.866（非常に高い精度）を達成しました。

4. チームワーク：頭脳と筋肉

この論文はまた、「頭脳」（テキストを読む AI）と「筋肉」（最終決定を下すシステム）が、データに応じて異なる方法で協力する必要があることも発見しました。

• スマートで文脈を理解する AI（LLMs）の場合: 最適な「筋肉」は XGBoost でした。XGBoost を、複雑な情報を圧倒されずに整理するのが得意な、規律正しく規則に従うマネージャーと考えてください。
• 旧式のキーワード AI の場合: 最適な「筋肉」は MLP（一種のニューラルネットワーク）でした。これを、散らかったデータのパターンを見つけるのが得意な、柔軟で創造的な芸術家と考えてください。

5. 現実のチェック：稀なケース

最高のロボットであっても、欠点がありました。

• 問題: 非常に稀な診断（青と緑のキャンディ）の場合、ロボットは依然として苦労しました。訓練データに特定の稀な疾患の例が少なすぎて、ロボットがそれらを全く学習できなかったのです。
• 教訓: この論文は、意味的な豊かさだけでは不十分であると認めています。ロボットが特定の稀な疾患を一度も見たことがなければ、どれだけ「言語を理解」しても、正しく推測することはできません。より多くのデータが必要です。

まとめ

この論文は、精神科のコーディングを自動化するには、単純なキーワード検索だけでは不十分であることを証明しています。必要なのは、文脈を理解する最新の AIであり、それを病院の記録に特化して訓練する（ファインチューニング）ことです。

この新しいシステムは、従来の方法よりもはるかに優れており、一般的なケースを素晴らしく処理しますが、最も稀な状態については依然として課題に直面しています。それは、ロボットにそれらの稀な状態がどのようなものかを教えるのに十分なデータが存在しないためです。