Automated ICD Classification of Psychiatric Diagnoses: From Classical NLP to Large Language Models
本研究证明，经过微调的大语言模型（尤其是 e5_large）在将西班牙语精神科自由文本描述自动映射至 ICD 编码方面，显著优于传统自然语言处理方法，在包含超过 145,000 条记录的数据集上实现了 0.866 的微平均 F1 分数。
原始论文根据 CC0 1.0（http://creativecommons.org/publicdomain/zero/1.0/）发布到公有领域。 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
想象一家繁忙的医院，医生们每天要写下数千条关于患者心理健康的笔记。这些笔记是用自由流动的语言写成的——比如“感到空虚”、“无法入睡”或“对一切感到担忧”。为了管理医院的记录和统计数据，这些笔记需要被翻译成一种严格、标准化的代码（就像条形码一样），称为ICD 代码。
目前，这项工作由人类完成。它既缓慢又令人疲惫，而且容易出错。本文介绍的是构建一个智能机器人，它能够阅读这些杂乱的笔记并自动分配正确的条形码。
以下是研究人员尝试构建这个机器人的方法，通过简单的类比进行解释：
1. 挑战：“长尾”问题
研究人员拥有一个包含145,000条西班牙精神科笔记的庞大资料库。他们希望教会计算机将这些笔记分类到85 个不同的类别中（如“焦虑”、“抑郁”等）。
然而，数据是不平衡的。想象一个糖果罐，其中 80% 的糖果是红色的（常见诊断），但只有少数蓝色、绿色和紫色的糖果（罕见诊断）。这被称为**“长尾”分布**。大多数分类机器人在识别红色糖果方面非常擅长，却完全错过了那些稀有且色彩斑斓的糖果。
2. 竞赛：老派方法 vs. 新技术
研究人员组织了一场不同种类“大脑”之间的竞赛，看看哪一种能最好地分类这些笔记。
老派团队（BoW 和 TF-IDF）：
把这些机器人想象成关键词匹配器。它们扫描笔记并说：“我看到了‘悲伤’这个词，所以我会给它分配‘抑郁’代码。”它们速度快但很死板。如果医生写的是“感觉胸口像压着一块沉重的石头”而不是“悲伤”，这些机器人可能会感到困惑。- 结果： 它们表现尚可，但错过了细微差别。
中间派（LSA、LDA、Doc2Vec）：
这些就像主题猜测者。它们试图将经常一起出现的词分组，以找出总体主题。- 结果： 它们表现挣扎。它们无法完全掌握西班牙精神科笔记中使用的具体医学术语。
超级明星（大型语言模型 - LLMs）：
这些是语境理解者。想象一个阅读了数百万本书的机器人，它理解“感到空虚”和“缺乏动力”实际上是抑郁的同义词，即使其中没有出现“抑郁”这个词。它们理解的不仅是关键词，还有氛围和故事。- 结果： 这些模型，特别是名为e5 large的模型，彻底碾压了比赛。
3. 制胜策略：微调
研究人员并没有直接购买一个现成的“超级明星”机器人并指望它能起作用。他们意识到，一个通用的机器人并不了解西班牙医院的具体规则。
因此，他们使用了一种称为微调的技术。
- 类比： 想象你聘请了一位才华横溢的大学毕业生（预训练的人工智能），并安排他在医院进行一次特定的实习。你向他展示数千个这家特定医院如何书写笔记的示例。
- 结果： 机器人学会了医生们特定的“方言”。它从仅仅理解语言转变为理解医学语言。这种方法取得了最高分：0.866（非常高的准确率）。
4. 团队合作：大脑与肌肉
该论文还发现，“大脑”（读取文本的 AI）和“肌肉”（做出最终决策的系统）需要根据数据的不同而协同工作：
- 对于智能、语境化的 AI（LLMs）： 最好的“肌肉”是XGBoost。把 XGBoost 想象成一位纪律严明、遵守规则的经理，他擅长组织复杂的信息而不会感到不知所措。
- 对于老派关键词 AI： 最好的“肌肉”是MLP（一种神经网络）。把这想象成一位灵活、富有创造力的艺术家，擅长在杂乱无章的数据中发现模式。
5. 现实检验：罕见病例
即使拥有最好的机器人，也存在一个陷阱。
- 问题： 对于非常罕见的诊断（那些“蓝色和绿色的糖果”），机器人仍然感到吃力。一些罕见病症在训练数据中的示例太少，以至于机器人根本无法学习它们。
- 教训： 论文承认，仅靠语义丰富性是不够的。如果机器人从未见过某种特定的罕见疾病，那么无论它多么“理解语言”，都无法帮助它做出正确的猜测。它需要更多的数据。
总结
该论文证明，要实现精神科编码的自动化，不能仅使用简单的关键词搜索。你需要理解语境的现代 AI，并且必须专门针对医院笔记对其进行训练（微调）。
虽然这个新系统比旧方法要好得多，并且能出色地处理常见病例，但它仍然面临罕见病症的障碍，原因仅仅是缺乏足够的数据来教会机器人这些罕见病症是什么样子的。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。