💬 NLP

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

本文引入了一种新颖的阻断与匹配框架，该框架利用大语言模型来解决自动疾病分类映射中的精确率-召回率-覆盖率权衡问题，在有效处理 ICD 版本之间复杂的的一对多关系的同时，其性能优于现有的基于嵌入和基于阈值的方法。

原作者： Santosh Purja Pun, Oliver Obst, Jim Basilakis, Jeewani Anupama Ginige

发布于 2026-06-30

📖 1 分钟阅读☕ 轻松阅读

原作者： Santosh Purja Pun, Oliver Obst, Jim Basilakis, Jeewani Anupama Ginige

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

想象一下，你正试图将一个庞大的医疗记录库从一种语言翻译成另一种语言。但这里翻译的不是英语和法语，而是不同版本的“国际疾病分类标准”（ICD）。你可以把 ICD 想象成一本巨大的、不断演进的字典。每隔几年，这本字典就会有新版本（比如 ICD-9、ICD-10、ICD-11），而其中的词汇会发生变化、被拆分或合并。

问题在于：一个在 2024 年使用新版字典的医生可能会为一个病症记录一个单一的代码，但在旧版字典中，同一个病症可能由三个不同的代码来描述。或者，一个旧代码现在可能涵盖了一整组已被拆分为许多个更具体的新代码的疾病。

本文的作者试图构建一个能够自动在这些不同版本的字典之间绘制“地图”的机器，以便让旧的患者记录能够在新的系统中被理解。

问题所在：“金发姑娘”困境（适度原则）

以往的方法尝试使用两种简单的策略来解决这个问题，但两者都存在缺陷，就像是用一个要么磁力太弱、要么磁力太强的磁铁去草堆里找针一样：

“严格的守门员”（阈值法）： 这种方法只有在两个代码看起来非常相似时才会建立连接。
- 结果： 它非常准确（高精确度/precision），但会遗漏很多有效的连接（低召回率/recall）。它就像一个保安，只允许那些长得和 VIP 名单上一模一样的人进入，导致许多真正的 VIP 被挡在门外。
“慷慨的主人”（Top-K 法）： 这种方法不管联系多么微弱，都会抓取每个条目中最相似的前 5 个代码。
- 结果： 它几乎捕捉到了所有内容（高召回率），但也带入了大量的无关垃圾信息（低精确度）。它就像一个保安，只要某人看起来有一点点像 VIP，就放他们进来，导致大门被冒充者堵塞。

作者希望找到一种既准确又全面的方法，且不会陷入误报的泥潭。

解决方案：“图书管理员”方法

作者借鉴了“实体解析”（Entity Resolution，用于在数据库中查找重复记录）领域的一个技巧。他们称之为**“分块与匹配”（Blocking-and-Matching）**。

把这想象成组织一个巨大的图书馆：

第一步：分块阶段（“书架过滤器”）
与其将旧图书馆里的每一本书都与新图书馆里的每一本书进行对比（这会耗费极长时间），他们首先将书放入较小的、易于管理的箱子（即“块”）中。

他们使用一个智能计算机程序来猜测哪些书可能属于同一类。
他们使用了一种混合策略：既抓取前 5 个最可能的匹配项（采用“慷慨的主人”方法），同时也检查“反向匹配”（如果 A 指向 B，那么 B 是否也指向 A？）。
这为每个代码创建了一个高质量的小型候选名单，确保他们不会遗漏重要的内容，同时又将名单控制在易于处理的规模。

第二步：匹配阶段（“专家图书管理员”）
现在，对于特定的代码，他们不再使用简单的数学公式来做决定。相反，他们请出了一位 大语言模型（LLM）——这是一个在海量文本上训练过的超级智能 AI——来充当专家图书管理员。

他们将任务设定为一个多选题：“这是旧的代码描述。这里有 5 个潜在的新代码。哪些实际上是同一种东西？”
AI 会阅读描述，并利用其“常识”和医学知识来选出所有正确的答案。它可以判断：“是的，这个匹配，那个也匹配”，从而处理简单数学逻辑难以应对的复杂“一对多”情况。

结果：一张更好的地图

作者在真实世界的医疗数据上测试了这种方法（在 ICD-9、ICD-10 和 ICD-11 之间进行转换）。

旧方法： “严格的守门员”遗漏了太多连接，“慷�慨的主人”则充满了错误。
新方法： 他们的“图书管理员”方法实现了两全其美。它找到的正确连接数量接近“慷慨的主人”（高召回率），但错误却少得多（高精确度）。
覆盖率： 至关重要的是，它成功地将旧系统中的几乎所有代码都映射到了新系统（100% 覆盖率），解决了严格方法留下的巨大空白问题。

权衡

论文承认这种方法并非没有代价。要求一个超级智能的 AI 去阅读并决定每一个代码需要消耗大量的计算能力和时间（在他们进行的测试中大约耗时 43 小时）。然而，作者认为，由于这些医疗字典的更新频率较低（大约每十年一次），预先投入这些计算能力以创建一个清晰、准确的地图是值得的，因为这能节省人类专家多年的手动工作。

简而言之： 他们不再试图强迫一个简单的数学公式去做复杂的思考工作。相反，他们使用了一个智能过滤器来缩小选项范围，然后请一位超级智能的 AI 来做出最终的、细致入微的决策，从而绘制出一张更准确、更完整的地图。

技术摘要：管理自动疾病分类中的映射基数

问题陈述
疾病分类系统（如国际疾病分类第 ICD）的自动映射对于健康数据集成和纵向分析至关重要。然而，现有的基于嵌入（embedding-based）的方法主要关注一对一映射，未能解决复杂的“一对多”场景，即单个源编码在语义上对应多个目标编码。处理基数（cardinality）的现有选择策略——特别是基于阈值和 Top-K 的方法——在精确度（precision）、召回率（recall）和映射覆盖率（mapping coverage，即至少有一个映射的源编码比例）之间存在固有的权衡。

基于阈值的方法优先考虑精确度，但以牺牲召回率和覆盖率为代价；高阈值会导致低覆盖率，使得许多源编码无法被映射。
Top-K 方法保证了高覆盖率和高召回率，但通过强制执行固定数量的匹配来牺牲精确度，往往会引入大量的假阳性（例如，对于有效的“一对一”映射，会产生 $K-1$ 个假阳性）。

这些局限性为人工校验造成了瓶颈，术语专家要么必须筛选过多的假阳性，要么必须手动映射大量未映射的数据缺口。

方法论
作者提出了一种受实体解析（entity resolution）流水线启发的新型分块与匹配框架（blocking-and-matching framework），用于自动生成不同 ICD 版本之间的映射（例如，ICD-9-CM $\leftrightarrow$ ICD-10-CM 以及 ICD-10-AM $\leftrightarrow$ ICD-11）。该方法分为两个不同的阶段运行：

分块阶段（候选生成）：
与其评估所有可能的配对，该方法为每个源编码生成一组缩减后的候选目标编码集。作者引入了一种结合了以下内容的混合选择策略：
- Top-K 选择： 根据嵌入相似度检索前 $K$ 个目标编码。
- 双向映射扩展（BiMaps）： 在两个方向（源 $\to$ 目标和目标 $\to$ 源）构建一对一映射并进行聚合。
  这两个集合的并集构成了候选的“块（block）”。这种混合方法旨在最大化召回率（保留真实匹配）的同时最小化块的大小，以避免大语言模型（LLM）中的“迷失在中间（lost in the middle）”现象，即过多的上下文会降低性能。
匹配阶段（LLM 选择）：
将匹配任务重新表述为多项选择题（MCQ）。对于每个源编码及其候选块，构建一个提示词（prompt），指示大语言模型（具体使用 Qwen3-8B）识别所有语义等价的目标编码。与通常只选择单个匹配项的传统实体解析不同，这种方法允许 LLM 选择零个、一个或多个选项，从而直接解决了一对多基数挑战。

核心贡献

新颖框架： 引入了一个将基于嵌入的候选生成与 LLM 驱动的选择相结合的分块与匹配流水线，用于 ICD 映射。
权衡缓解： 该方法解决了基于选择的方法中固有的精确度-召回率-覆盖率权衡问题，在保持相当的召回率和广泛的映射覆盖率的同时，提供了高精确度。
混合分块策略： 开发了 Top-K + BiMaps 策略，平衡了计算效率与有效候选对的保留。
实证验证： 在多个 ICD 版本对以及三个特定疾病章节（消化系统、传染病/寄生虫病和呼吸系统）中展示了均衡的性能。

结果
研究针对四项映射任务，将所提方法与基准的基于阈值（ $\lambda=0.85$ ）和 Top-K（ $K=5$ ）方法进行了对比评估。

精确度（Precision）： 分块与匹配框架在几乎所有任务中都实现了最高的精确度（范围在 0.47 到 0.71 之间），相比 Top-K 基准提升了 2–3.5 倍，且在大多数情况下比 BiMaps 提升了 5–35 个百分点。
召回率（Recall）： 该框架保持了具有竞争力的召回率（0.53–0.85），与高召回率的 BiMaps 和 Top-K 基准相当，且没有引入无差别 Top-K 选择带来的精确度损失。
覆盖率（Coverage）： 该方法实现了近乎完美的映射覆盖率（MC $\ge$ 0.98），确保几乎每个源编码都得到了至少一个候选映射，从而克服了基于阈值方法的覆盖率限制。
F1 分数（F1-Score）： 该框架在 12 个映射任务中的 11 个中获得了最高的 F1 分数（0.53–0.77），展示了精确度和召回率之间的卓越平衡。

意义与主张
论文声称，所提出的框架为自动疾病分类映射提供了一种鲁棒的、无需训练的解决方案。通过利用预训练 LLM 中蕴含的通用医学知识（通过零样本提示），该方法避免了对特定任务进行微调或使用标注映射数据的需求。

作者强调，虽然基于 LLM 的方法会引入计算开销（例如，评估数据集耗时约 43 小时），但与需要大量专家团队和巨额资金的人工映射这种劳动力密集、耗时的过程相比，这是一项合理的预先投入。该方法在主要的 ICD 版本更迭（发生频率较低）期间尤为重要，因为在这些时期，创建高质量、可重用的映射表对于下游健康数据的互操作性至关重要。该方法通过过滤掉无关候选（高精确度）同时确保不遗漏任何有效映射（高覆盖率），有效地减轻了术语专家的工作量。

问题所在：“金发姑娘”困境（适度原则）

解决方案：“图书管理员”方法

结果：一张更好的地图

权衡

类似论文