利用结构化外部知识增强 LLM 医学编码

准确的医疗编码需要咨询权威资源，例如 ICD 表格列表和编码指南。现有的基于LLM的自动化方法很大程度上依赖于LLM的内部知识，这容易产生幻觉并且无法跟上指南更新的步伐。我们引入了 RAG-Coding，这是一种代理 无需训练 方法，它通过结构化外部知识来增强 LLM：表格列表被编码为知识图，捕获层次结构和指令代码关系，并且指南被提炼为简洁的、特定于代码的摘要，而不是作为原始文本检索。为了开展我们的研究，我们还引入了 MDACE-2025，这是根据 2025 ICD-10-CM/PCS 指南对 MDACE 数据集进行专家重新注释，添加了代码排序和论证注释。在 MDACE 上，RAG-Coding 在五个 LLM 主干上的 micro-F1 中比最好的基于 LLM 的基线高出 3--13\%，并实现了与监督最先进技术相当的微观和宏观 F1，以精度为代价 ($-$6\%) 实现了更高的召回率 ($+$11\%)。在 MDACE-2025 上，RAG 编码优于所有基线，证明了对更新指南的有效泛化。消融证实了逐步的收益，强调了整合结构化外部知识对于基于 LLM 的医疗编码的重要性。