論文の概要: Managing Map Cardinality in Automatic Disease Classification Mapping: Balancing Precision, Recall and Coverage

• arxiv url: http://arxiv.org/abs/2606.29750v1
• Date: Mon, 29 Jun 2026 03:47:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.033469
• Title: Managing Map Cardinality in Automatic Disease Classification Mapping: Balancing Precision, Recall and Coverage
• Title（参考訳）: 自動疾患分類法におけるマップカーディナリティの管理:精度、リコール、カバーのバランス
• Abstract要約: 我々は,国際疾患分類(ICD)バージョン間でコードを自動的にマッピングする新しい手法を提案する。 特に,まず候補マッチングのブロックを生成し,次に大きな言語モデル(LLM)を用いて各ブロック内の有効なマッピングを識別する。 実験により,提案手法は,複数のICDバージョンペアに対して,同等のリコールと広範なカバレッジで高い精度を実現することを示す。
• 参考スコア（独自算出の注目度）: 1.679937788852769
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic mapping between disease classification systems, such as the International Classification of Diseases (ICD), is a challenging yet essential task for integrating health data and conducting longitudinal data analysis. Existing embedding-based methods primarily focus on \emph{one-to-one} mappings, overlooking more complex \emph{one-to-many} scenarios. The threshold-based and top-K methods offer natural extensions; however, they involve inherent trade-offs between \emph{precision}, \emph{recall} and \emph{mapping coverage} -- the proportion of source codes with at least one mapping to a target code. To address this challenge, we introduce a novel method, which is inspired by the \emph{blocking-and-matching} pipeline commonly used in \emph{entity resolution}. In particular, we first generate a block of candidate matches (\emph{blocking}) and then employ a large language model (LLM) to identify all valid mappings within each block (\emph{matching}). Empirically, we show that the proposed method achieves higher precision with comparable recall and broader coverage across multiple ICD version pairs (ICD-9-CM$\leftrightarrow$ICD-10-CM and ICD-10-AM$\leftrightarrow$ICD-11). Our source code and dataset is available at: https://tinyurl.com/46kyn7wp.
• Abstract（参考訳）: 国際疾患分類(ICD)のような疾患分類システム間の自動マッピングは、健康データの統合と縦断データ解析を行う上で、難しいが不可欠な課題である。 既存の埋め込みベースのメソッドは、より複雑な \emph{one-to-many} のシナリオを見渡すことで、主に \emph{one-to-one} マッピングに焦点を当てている。 しきい値ベースのメソッドとトップKメソッドは、自然な拡張を提供するが、それらは、ターゲットコードへの少なくとも1つのマッピングを持つソースコードの割合である、 \emph{precision}, \emph{recall} と \emph{mapping coverage} の間の固有のトレードオフを含んでいる。 この課題に対処するため,我々は,emph{blocking-and-matching}パイプラインにインスパイアされた新しい手法を提案する。 特に、まず候補マッチングのブロック(\emph{blocking})を生成し、次に大きな言語モデル(LLM)を用いて各ブロック内のすべての有効なマッピング(\emph{matching})を識別する。 実験により,提案手法はICD-9-CM$\leftrightarrow$ICD-10-CMとICD-10-AM$\leftrightarrow$ICD-11の2組のICD-9-CM$\leftrightarrow$ICD-11を比較検討した。 ソースコードとデータセットは、https://tinyurl.com/46kyn7wp.comで公開されています。

関連論文リスト

• SURGELLM: Rethinking Multi-Task Evaluation through Task-Aware Feature Gating with Class-Balanced Normalization [0.21485350418225238]
  不均一なNLPタスクに展開される微調整エンコーダは、3つの複合的な問題に直面している。 textbfsurgellmは、専用の軽量モジュールでそれぞれに対処する統合トランスフォーマーフレームワークである。
  論文  参考訳（メタデータ） (2026-06-23T07:47:21Z)
• Mitigating Bias in Locally Constrained Decoding via Tractable Proposals [73.78736135699953]
  既存の局所的制約付き復号法は、ミオプティックに次のトークンを隠蔽することで制約を強制する。 最近の研究では、シーケンシャルなモンテカルロ法を用いてバイアスを緩和しているが、効果的な提案分布や潜在的な関数を設計することは重要な課題である。 我々は、$p_mathrmlm( cdot mid mathrmconstraint)$からSMCサンプリングのための提案とポテンシャルを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2026-06-01T08:58:18Z)
• Claudini: Autoresearch Discovers State-of-the-Art Adversarial Attack Algorithms for LLMs [75.62489398666644]
  我々は,Claude Codeをベースとしたemphautoresearchスタイルのパイプライン citepkarpathy2026autoresearch が,新しいホワイトボックス対逆攻撃を発見できることを示した。 textbfsignantは、jailbreakで既存のすべての(30以上のメソッド)を著しく上回り、インジェクション評価を促します。
  論文  参考訳（メタデータ） (2026-03-25T16:50:56Z)
• Echoes as Anchors: Probabilistic Costs and Attention Refocusing in LLM Reasoning [25.852162778115808]
  大規模推論モデル(LRM)におけるテスト時間計算割り当ては広く使われ、数学的問題解決、コード合成、計画に応用されている。 本稿では,EmphEcho of Prompt (EOP) を前装式計算整形機構として用いて,モデルが再帰する傾向を分析し,活用する。
  論文  参考訳（メタデータ） (2026-02-06T10:53:26Z)
• AICD Bench: A Challenging Benchmark for AI-Generated Code Detection [91.21422299346199]
  AICD Benchは、AI生成コード検出の最も包括的なベンチマークである。 これは$emph2Mサンプル$、$emph77モデル$、$emph11ファミリー$、$emph9プログラミング言語$で、最近の推論モデルを含む。
  論文  参考訳（メタデータ） (2026-02-02T13:24:14Z)
• Correlation-Aware Feature Attribution Based Explainable AI [4.457502798302293]
  emphExCIRは、軽量転送プロトコルを備えた相関対応属性スコアである。 textscBlockCIRは、コリニアクラスタの二重カウントを緩和する。 emphscalable説明責任は、現実のデプロイメントにおいて、emphscalable説明責任を計算的に効率的、emphscalent、emphscalable説明責任を提供する。
  論文  参考訳（メタデータ） (2025-11-20T15:51:00Z)
• DiffGRM: Diffusion-based Generative Recommendation Model [63.35379395455103]
  ジェネレーティブレコメンデーション(GR)は、トークン化器を介して各項目をn桁のセマンティックID(SID)として表現する新興パラダイムである。 自己回帰デコーダをマスク付き離散拡散モデル(MDM)に置き換える拡散ベースGRモデルDiffGRMを提案する。 実験では、複数のデータセットに対する強力な生成的および差別的推奨ベースラインよりも一貫した利得を示す。
  論文  参考訳（メタデータ） (2025-10-21T03:23:32Z)
• TANGO: Clustering with Typicality-Aware Nonlocal Mode-Seeking and Graph-Cut Optimization [2.4783546111391215]
  密度に基づくモード探索法は,低密度点から高密度近傍への遠心依存性を生成する。 両言語の観点から, 局所的に定義された依存関係を探索することにより, 固有性という新しい概念を導入する。 我々は,グローバルビューの典型性を利用して,モードを効果的かつ効率的に識別するアルゴリズムを考案する。
  論文  参考訳（メタデータ） (2024-08-19T15:26:25Z)
• DPGAN: A Dual-Path Generative Adversarial Network for Missing Data Imputation in Graphs [17.847551850315895]
  本稿では,DPGAN(Dual-Pathrative Adversarial Network)と呼ばれる新しいフレームワークを提案する。 DPGANは、欠落したデータと同時に処理し、過度にスムースな問題を回避することができる。 さまざまなベンチマークデータセットにわたる総合的な実験は、DPGANが既存の最先端の計算アルゴリズムよりも優れていなくても、一貫して競合していることを裏付けている。
  論文  参考訳（メタデータ） (2024-04-26T05:26:10Z)
• Supervised Training of Conditional Monge Maps [107.78770597815242]
  最適輸送(OT)理論は、多くの可能な選択の中から確率測度を他のものにマッピングする最も効率的な方法を定義し、選択する一般的な原理を記述している。 本研究では,コンテキスト変数に条件付きOTマップの族を推定するマルチタスク手法であるCondOTを紹介する。 本研究では,CondOTの遺伝的・治療的摂動の任意の組み合わせが単一細胞に与える影響を推測する能力を示す。
  論文  参考訳（メタデータ） (2022-06-28T19:34:44Z)
• Coping with Label Shift via Distributionally Robust Optimisation [72.80971421083937]
  分散ロバスト最適化(DRO)に基づく目的最小化モデルを提案する。 そこで我々は,提案した目的を最適化するために,大規模問題に適した勾配降下近位ミラー上昇アルゴリズムを設計し,解析する。
  論文  参考訳（メタデータ） (2020-10-23T08:33:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。