🤖 AI

Hybrid-Code v2: Zero-Hallucination Clinical ICD-10 Coding via Neuro-Symbolic Verification and Automated Knowledge Base Expansion

本文提出了 Hybrid-Code v2 框架，通过结合神经候选生成与符号知识库验证及自动扩展机制，在 MIMIC-III 数据集上实现了零幻觉、高覆盖率和精确度的临床 ICD-10 编码，有效解决了纯神经方法易产生幻觉和纯规则方法扩展性不足的问题。

原作者： Yunguo Yu

发布于 2026-03-24

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Yunguo Yu

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文介绍了一种名为 Hybrid-Code v2 的新系统，它的目标是解决医疗界一个非常头疼的问题：如何自动、准确且安全地给病人的病历打上“国际疾病分类代码”（ICD-10）。

为了让你更容易理解，我们可以把这件事想象成给成千上万本复杂的“病历故事书”贴标签。

1. 背景：为什么要给病历贴标签？

想象一下，医院每天产生海量的病历，医生写的都是自然语言（比如“病人发烧、咳嗽，怀疑是肺炎”）。但医院管理、医保报销和疾病统计需要的是标准化的“代码”（比如 J18.9 代表肺炎）。
以前，这全靠人工，像是一个个老练的图书管理员，逐字逐句读故事，然后去查一本厚厚的“代码字典”贴上标签。这很慢、很贵，而且容易因为疲劳或理解不同而出错。

2. 现有的两种“自动贴标签”方法及其缺陷

科学家尝试过用电脑自动做这件事，但主要有两派，都有大毛病：

第一派：纯“AI 大脑”派（神经网络模型）
- 特点：像是一个博闻强记但有点爱做梦的学生。它读了很多书，能猜出大概要贴什么标签，速度很快，覆盖面很广。
- 缺点：爱“幻觉”。有时候它太自信了，会编造一些根本不存在、或者医学上完全不通的代码。
- 比喻：就像那个学生，为了完成任务，可能会瞎编一个“恐龙肺炎”的代码。在医疗领域，这种“瞎编”是绝对不允许的，因为会导致错误的诊断或医保欺诈。
第二派：纯“死板规则”派（基于规则的系统）
- 特点：像是一个拿着放大镜的严谨老学究。它只认死理，如果规则书上没写，它绝不敢贴标签。
- 缺点：太死板，覆盖不全。因为医学知识更新太快，规则书很难跟上。遇到稍微复杂点、没写在规则里的情况，它就束手无策，导致很多病历贴不上标签。
- 比喻：老学究只敢贴“感冒”的标签，如果病人是“罕见的过敏性感冒”，他因为规则书里没写，就干脆不贴了。

3. Hybrid-Code v2 的解决方案：完美的“双人舞”

这篇论文提出的 Hybrid-Code v2，就是把“爱做梦的学生”和“死板的老学究”组合在一起，让他们互相配合，取长补短。

核心机制：

学生负责“猜”（神经生成）：
先让 AI 模型快速阅读病历，根据经验“猜”出一堆可能的代码。这一步保证了覆盖面广，不会漏掉那些复杂的病例。
老学究负责“查”（符号验证）：
这是最关键的一步！AI 猜出来的每一个代码，都要经过一个严格的“安检门”（知识验证层）。这个安检门里有一套严密的规则：
- 格式检查：这个代码在官方字典里真的存在吗？（防止编造）
- 证据检查：病历里真的提到了这个病吗？
- 否定检查：医生是不是说“排除”了这个病？（防止把“没得病”当成“得病”）
- 时间检查：这是现在的病，还是几年前的旧病？
- 互斥检查：这两个病能同时存在吗？（比如某些病不能同时编码）
只有通过了所有安检的代码，才会被最终贴上标签。

创新点：自动升级“字典”

以前的规则系统需要专家手动一条条写规则，太慢了。Hybrid-Code v2 还有一个自动升级字典的功能。它能从海量的病历中自动发现新的“病 - 代码”对应关系，经过上面的“安检门”验证后，自动加入规则库。

比喻：就像那个老学究不再需要人工教他新词，而是自己从书堆里发现新规律，经过验证后，自动把新规则写进自己的“死板手册”里。

4. 结果如何？

在测试中（用了 5000 个真实病例）：

零幻觉：它100% 没有编造过不存在的代码。这是纯 AI 做不到的。
高覆盖：它能处理 85% 的病例，比死板的规则系统（45%）强很多，和纯 AI 差不多。
高精准：贴对的标签比例很高（88%）。

5. 总结：这为什么重要？

这就好比我们在自动驾驶领域。

纯 AI 就像一辆开得很快但偶尔会乱撞的车。
纯规则就像一辆非常安全但开不动的车。
Hybrid-Code 就像给这辆快车装上了绝对可靠的刹车系统和导航锁。它既保留了开得快的优势，又通过“硬性规则”保证了绝对不会撞车（不会生成错误代码）。

一句话总结：
Hybrid-Code v2 就像是一个既聪明又守规矩的超级助手，它利用 AI 的灵活性去发现线索，再用严格的规则去把关，确保给病人贴的每一个医疗代码都是真实存在且准确无误的，从而让医疗自动化既高效又安全。

这是一份关于论文《Hybrid-Code v2: Zero-Hallucination Clinical ICD-10 Coding via Neuro-Symbolic Verification and Automated Knowledge Base Expansion》（混合代码 v2：通过神经符号验证和自动化知识库扩展实现零幻觉临床 ICD-10 编码）的详细技术总结。

1. 研究背景与问题定义 (Problem)

核心挑战：
临床 ICD-10 编码是将非结构化临床文档转化为标准化医疗代码的过程，对医疗报销、流行病学研究和患者安全至关重要。现有的自动化编码方案面临三个相互竞争的目标的平衡难题：

高覆盖率 (Coverage)： 尽可能多地识别临床概念。
高精度 (Precision)： 确保分配的代码正确。
零幻觉 (Zero Hallucination)： 绝不生成无效或医学上不可能的代码。

现有方法的局限性：

纯神经方法 (Neural Approaches)： 如 ClinicalBERT、BioBERT 和 GPT-4。虽然覆盖率和精度较高，但存在幻觉 (Hallucination) 问题，即生成看似合理但在官方 ICD-10 词表中不存在的代码（Type I 幻觉），或在有证据的情况下分配错误的代码（Type II 幻觉）。这在安全关键的医疗环境中是不可接受的。
纯规则方法 (Rule-Based Systems)： 通过显式规则保证零幻觉，但严重依赖人工专家维护知识库 (KB)，导致扩展性差、覆盖率低，且难以处理隐式临床知识。

研究目标：
提出一种混合架构，既能利用神经网络的灵活性和覆盖率，又能通过符号验证机制从架构层面彻底消除 Type I 幻觉（即生成无效代码），同时保持具有竞争力的覆盖率和精度，并解决规则系统知识库难以扩展的问题。

2. 方法论 (Methodology)

Hybrid-Code v2 采用神经 - 符号 (Neuro-Symbolic) 架构，包含两个主要阶段：离线知识库扩展和运行时编码。

2.1 核心架构：混合神经 - 符号流水线

系统结合了神经模式匹配和符号知识库验证：

候选生成 (Candidate Generation)：
- 基于 KB 的生成： 从临床文本中提取实体，通过哈希映射查找知识库中的关联代码。
- 神经生成： 使用 BioMistral-7B（零样本模式，本地部署）直接生成候选 ICD-10 代码。
多层符号验证 (Multi-Layer Symbolic Verification)：
所有候选代码必须通过以下五个顺序验证层，只有全部通过的代码才会被分配：
- L1 格式验证 (Format)： 检查代码是否存在于官方 ICD-10 词表中（这是实现零 Type I 幻觉的关键）。
- L2 证据验证 (Evidence)： 确保临床文本中存在支持该代码的明确证据。
- L3 否定验证 (Negation)： 检测否定词（如“无”、“排除”），防止将否定诊断编码。
- L4 时间验证 (Temporal)： 确保代码的时间状态（当前、既往、未来）与文档描述一致。
- L5 排除规则验证 (Exclusion)： 检查 ICD-10 排除规则（如 Excludes1 互斥规则），防止代码冲突。

2.2 自动化知识库扩展 (Automated KB Expansion)

为了解决规则系统覆盖率低的问题，系统引入了基于远程监督 (Distant Supervision) 的自动化扩展机制：

输入： 未标记的临床文本（如 MIMIC-III 中的出院小结）。
过程：
1. 模式提取： 结合词汇模式（如显式代码提及）和神经嵌入相似度，提取 (临床概念，ICD-10 代码) 对。
2. 多层验证： 提取的候选对必须经过上述 5 层验证。
3. 数据驱动优先级： 根据代码在临床数据中的频率优先扩展高频代码。
4. 集成： 验证通过的代码对被整合到知识库中。
优势： 无需人工逐条标注即可扩展知识库规模，从初始的 1,000 个代码扩展至 1,500 个（概念验证阶段）。

2.3 形式化保证

命题 1 (零 Type I 幻觉)： 由于 L1 格式验证强制要求输出代码必须属于 $C_{ICD-10}$ ，系统从架构上保证了不会生成不存在的代码。
命题 2 (证据 grounding)： 每个分配的代码都有文本证据支持。
复杂度分析： 推理复杂度不随知识库规模线性增长（得益于哈希查找），主要耗时在于神经生成步骤。

3. 实验设置 (Experimental Setup)

数据集： MIMIC-III（5,000 个测试用例），使用 CMS GEMs 将 ICD-9 映射到 ICD-10-CM。
基线模型：
- 神经模型：ClinicalBERT, BioBERT。
- 规则系统：人工 curated 的 38 条规则基线（代表传统专家系统的最小化版本）。
- 大语言模型：GPT-4 (Zero-shot, T=0.7 和 T=0.0)。
评估指标： 文档级覆盖率、代码级精确率 (Precision)、召回率 (Recall)、F1 分数、Type I 幻觉率。
统计检验： 配对 t 检验，Bonferroni 校正，确保统计显著性 (p < 0.001)。

4. 关键结果 (Key Results)

在 5,000 个测试用例上的表现如下：

方法	覆盖率 (Coverage)	精确率 (Precision)	召回率 (Recall)	F1 分数	Type I 幻觉率
Hybrid-Code v2	0.85	0.88	0.82	0.86	0.00%
ClinicalBERT	0.78	0.85	0.72	0.78	8%
BioBERT	0.80	0.87	0.74	0.80	6%
规则系统 (38 条)	0.45	0.40	0.56	0.47	0.00%
GPT-4 (T=0.7)	0.82	0.90	0.79	0.84	18%
GPT-4 (T=0.0)	0.79	0.92	0.76	0.83	9%

主要发现：

零幻觉保证： Hybrid-Code 实现了 0% 的 Type I 幻觉，而所有神经基线（包括 GPT-4 在确定性设置下）均存在 6%-18% 的幻觉率。这证明了符号验证层能有效过滤无效代码。
高覆盖率与精度： 相比规则系统，覆盖率提升了 40% (从 45% 到 85%)；相比神经基线，在保持零幻觉的同时，F1 分数和精确率均具有竞争力甚至更优。
组件消融分析：
- 知识库扩展贡献最大，提升了 15% 的覆盖率和 5% 的 F1 分数。
- 否定检测和时间验证显著减少了假阳性（Type II 错误）。
知识库扩展质量： 人工审计显示，自动扩展的知识库条目在完整特异性下的准确率为 82%，类别级别准确率为 93%。

5. 主要贡献 (Key Contributions)

混合神经 - 符号架构： 提出了首个在大规模临床编码中实现零 Type I 幻觉的系统。通过符号层作为安全过滤器，在不牺牲神经方法灵活性的前提下，从架构上消除了生成无效代码的风险。
自动化知识库扩展机制： 引入基于远程监督和多层验证的 KB 扩展方法，解决了规则系统难以扩展的瓶颈。在无需逐条人工标注的情况下，实现了知识库从 1,000 到 1,500 个代码的扩展，并验证了其可行性。
全面的实证评估框架： 建立了包含统计显著性检验、详细错误分析（识别出 35% 错误源于隐式临床语境，30% 源于代码层级复杂性）的评估标准，为安全关键型医疗 AI 提供了新的基准。
安全性与有效性的平衡： 证明了可以通过架构约束（输出层过滤）消除一类错误（Type I），而无需牺牲覆盖率或精度，为医疗 AI 的部署提供了可复用的设计模式。

6. 意义与影响 (Significance)

临床安全性： 彻底消除了生成无效 ICD-10 代码的风险，防止因错误代码导致的临床决策误导或计费欺诈，这对高风险医疗场景至关重要。
工作流集成潜力： 高覆盖率和零幻觉特性使其非常适合用于辅助人工编码员（预填充代码供审核），从而减少人工工作量。
知识工程范式转变： 提供了一种可扩展的知识库构建方案，减少了对稀缺临床专家人工维护的依赖，使得 AI 系统能够适应不断演变的医学知识。
神经符号 AI 的示范： 展示了在医疗等安全关键领域，如何结合神经网络的“感知/泛化”能力与符号系统的“推理/验证”能力，为构建可信 AI 提供了通用设计蓝图。

局限性说明：
尽管实现了零 Type I 幻觉，但 Type II 幻觉（分配了有效但临床不正确的代码）仍占 12%。此外，目前的扩展规模（1,500 代码）仅是概念验证，距离覆盖完整的 78,000 个 ICD-10-CM 代码仍有距离，且尚未在真实临床工作流中进行全面部署验证。未来的工作将集中在扩大知识库规模、跨数据集泛化以及处理更复杂的编码规则（如主诊断排序、组合代码等）。