MKE-Coder: Multi-Axial Knowledge with Evidence Verification in ICD Coding for Chinese EMRs

本文提出了 MKE-Coder 框架，通过整合诊断的多轴知识并利用评分模型筛选临床证据，结合掩码语言建模策略进行验证，有效解决了中文电子病历中 ICD 自动编码面临的文本结构复杂及证据关联不足的挑战，显著提升了编码的准确性与效率。

要点

想象一下，医院里每天都有成千上万份病历（EMR），医生在上面用极其简练、甚至有点“暗语”风格的中文写下病人的病情。现在，我们需要给这些病情贴上标准的“标签”（也就是 ICD 疾病编码），就像给图书馆里的书贴上分类标签一样，方便后续统计、医保报销和科研。

虽然给英文病历贴标签已经做得很好了，但给中文病历贴标签却是个大难题。这篇论文提出的 MKE-Coder 就像一个超级智能的“病历翻译官”和“审核员”，专门解决这个难题。

我们可以把整个过程想象成招聘一位完美的“疾病侦探”：

1. 遇到的两大难题

• 语言太“高冷”：中文病历写得非常简练，而且格式很特殊，就像侦探面对的是只有几个关键词的密码信，很难直接看出重点。
• 缺乏“证据链”：以前的方法就像是一个只凭直觉猜谜的人，它知道大概是什么病，但说不清楚“为什么”，也找不到病历里具体的文字证据来支持它的判断。

2. MKE-Coder 是怎么工作的？（它的三大绝招）

这个系统不像是一个死板的机器，它更像是一个拥有“四维视角”的资深侦探团队：

• 第一招：多维拆解（多轴知识）
  以前的人看病可能只看“得了什么病”。但 MKE-Coder 会把一个病拆成四个维度来看（比如：这是什么病？发生在身体哪个部位？严重程度如何？有没有并发症？）。

  • 比喻：就像描述一个人，不能只说“他是张三”，而要说“张三，住在朝阳区，身高 180，职业是程序员”。MKE-Coder 就是要把病情的这四个维度都理清楚。

• 第二招：寻找“铁证”（证据验证）
  它不会瞎猜。它会像侦探一样，在长长的病历原文里，把支持这四个维度的具体文字（证据）全部找出来。

  • 比喻：如果它怀疑病人是“肺炎”，它不会只说“我觉得是”，而是会指着病历里说“病人有咳嗽、发烧、肺部有阴影”的那几行字，说：“看，证据就在这儿！”

• 第三招：逻辑大考（推理与验证）
  最后，它会进行一场“逻辑考试”。它会问自己：“既然我选了‘肺炎’这个标签，那么我找到的四个维度的证据，真的能完美支撑这个结论吗？”如果有一个维度对不上，它就会推翻重选，直到找到那个证据最充分、逻辑最严密的编码。

3. 效果如何？

研究人员拿了很多大医院的真实中文病历来测试这个系统。结果发现：

• 更准：它贴的标签比以前的方法准确得多，因为它有“证据”撑腰。
• 更快：在模拟真实工作场景的测试中，它不仅能帮人类编码员减少错误，还能让他们干活的速度变快。

总结一下：
MKE-Coder 就是一个懂中文病历“黑话”、会多角度思考、并且必须拿出“实锤”证据才能下结论的智能助手。它把原本枯燥、容易出错的编码工作，变成了一场逻辑严密的侦探游戏，让医院的疾病分类工作变得更聪明、更高效。

技术摘要

基于论文《MKE-Coder: Multi-Axial Knowledge with Evidence Verification in ICD Coding for Chinese EMRs》（MKE-Coder：面向中文电子病历的 ICD 编码多轴知识与证据验证），以下是该论文的详细技术总结：

1. 研究背景与问题 (Problem)

自动疾病分类编码（ICD Coding）在医疗领域至关重要，虽然英文电子病历（EMR）的自动编码已取得显著进展，但在处理中文电子病历时仍面临严峻挑战：

• 文本特性复杂：中文病历通常具有简练的写作风格和特定的内部结构，导致从文本中提取与疾病代码相关的信息极为困难。
• 知识利用不足：现有方法未能有效利用基于疾病的多轴知识（Multi-axial Knowledge），即缺乏对疾病不同维度（如病因、部位、严重程度等）的系统性建模。
• 证据关联缺失：现有方法缺乏将候选代码与病历中对应的临床证据进行显式关联和验证的机制，导致编码结果的可解释性和准确性受限。

2. 方法论 (Methodology)

为了解决上述问题，作者提出了 MKE-Coder 框架，其核心流程包含以下三个关键步骤：

1. 候选代码识别与多轴知识分类：

   • 首先从病历中识别出潜在的候选诊断代码。
   • 将每个候选代码映射到 ICD 编码体系下的四个编码轴（Four Coding Axes），将疾病知识结构化地归类到不同的维度中，以捕捉疾病的全面特征。

2. 临床证据检索与可信度过滤：

   • 从电子病历的完整内容中检索与候选代码及其对应轴知识相关的临床证据。
   • 引入一个评分模型（Scoring Model），对检索到的证据进行打分和过滤，剔除不可信或无关的信息，仅保留高可信度的临床证据。

3. 基于掩码语言建模的推理验证：

   • 设计了一个基于**掩码语言建模（Masked Language Modeling, MLM）**策略的推理模块。
   • 该模块的核心任务是验证：候选代码所关联的所有轴知识是否都能被病历中的证据所支持。
   • 如果证据充分支持所有轴知识，则确认该代码有效；否则，模型会提供修正建议或排除该代码，从而确保编码的严谨性。

3. 关键贡献 (Key Contributions)

• 提出了 MKE-Coder 框架：这是首个专门针对中文 EMR 特性，结合多轴知识与证据验证的 ICD 自动编码框架。
• 多轴知识建模：创新性地引入了四轴知识分类机制，解决了传统方法对疾病多维度特征利用不足的问题。
• 证据驱动的验证机制：通过“检索 - 评分 - 验证”的闭环流程，强制模型在生成代码时必须找到对应的临床证据支持，显著提升了编码的可解释性。
• 掩码语言建模推理：利用 MLM 策略进行逻辑验证，增强了模型对复杂病历文本的理解和推理能力。

4. 实验结果 (Results)

• 数据集：研究使用了从多家医院收集的大规模中文电子病历数据集进行实验。
• 性能表现：实验结果表明，MKE-Coder 在中文 EMR 自动 ICD 编码任务上表现出显著的优越性，优于现有的基准方法。
• 实际场景评估：在模拟真实编码场景的评估中，该方法被证明能显著辅助人工编码员，同时提高了编码的准确率（Accuracy）和速度（Speed）。

5. 意义与影响 (Significance)

• 解决中文医疗 NLP 痛点：针对中文病历特有的简练性和结构性难题提供了有效的解决方案，填补了中文 ICD 自动编码领域的技术空白。
• 提升医疗数据质量：通过引入证据验证机制，减少了“幻觉”编码（即无中生有的代码），提高了医疗数据的质量和标准化程度，有助于后续的医疗大数据分析、医保支付和流行病学研究。
• 人机协作优化：证明了 AI 模型可以作为强有力的辅助工具，在实际工作中减轻编码员负担，提升整体医疗信息化效率。

综上所述，MKE-Coder 通过结合多轴知识结构与证据验证机制，成功克服了中文电子病历自动编码的难点，为医疗 AI 的落地应用提供了重要的技术参考。