用于极端临床代码预测的图约束策略学习

临床代码预测将非结构化出院摘要映射到大型、稀疏且深度分层的标签空间中的 ICD-10-CM 叶代码。大多数系统将任务视为平面多标签分类，独立地对代码进行评分并为稀有标签提供有限的训练信号。我们提出了一种图约束遍历策略，将 ICD 预测制定为修剪代码层次结构上的有限范围决策过程。单一语言模型逐级下降图，选择有效的子节点，直到达到可计费的叶代码。这将极端的多标签预测转换为稀疏的、层次结构感知的子集决策，同时保证结构上有效的输出。在 MIMIC-IV 出院总结中，我们的最佳监督策略 SFT-1+ 在精选的 50 个代码子集上实现了 0.709 micro-F1，在完整的 15,761 个代码空间上实现了 0.527 micro-F1，优于包括 CAML、LAAT 和 PLM-ICD 在内的平坦基线。在完整设置中，SFT-1+ 比最强平坦基线提高了 0.044 micro-F1 和 0.157 Macro-F1，这表明图约束分解缓解了稀有代码瓶颈。受控因子研究评估架构、训练算法和数据预算。在这两个尺度上，一项共享策略与三专家级联相匹配，同时避免了 28-32% 的全空间测试笔记的上下文窗口溢出。增加监督轨迹数据是持续提高性能的唯一干预措施，而 GRPO 强化学习并没有比匹配数据的监督延续带来任何好处。这些结果表明，对于极端临床代码预测，简单的图约束策略学习可以胜过更复杂的扁平、级联和强化学习替代方案。