論文の概要: Graph-Constrained Policy Learning for Extreme Clinical Code Prediction

• arxiv url: http://arxiv.org/abs/2607.11954v1
• Date: Sat, 11 Jul 2026 23:10:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:29.894872
• Title: Graph-Constrained Policy Learning for Extreme Clinical Code Prediction
• Title（参考訳）: 極端クリニカルコード予測のためのグラフ制約付きポリシー学習
• Authors: Amritpal Singh, Sebastian Torres, Khawar Shakeel, Syed Ahmad Chan Bukhari,
• Abstract要約: 臨床コード予測は、非構造放電サマリーを、大きく、スパースで、深く階層的なラベル空間のICD-10-CMリーフコードにマッピングする。 ほとんどのシステムは、タスクをフラットなマルチラベル分類として扱い、符号を独立してスコア付けし、レアラベルに対する限られた訓練信号を提供する。 そこで本研究では,ICD予測を有限水平決定プロセスとして定式化するグラフ制約付きポリシーを提案する。
• 参考スコア（独自算出の注目度）: 1.116791976498254
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clinical code prediction maps unstructured discharge summaries to ICD-10-CM leaf codes in a large, sparse, and deeply hierarchical label space. Most systems treat the task as flat multi-label classification, scoring codes independently and providing limited training signal for rare labels. We propose a graph-constrained traversal policy that formulates ICD prediction as a finite-horizon decision process over a pruned code hierarchy. A single language model descends the graph level by level, selecting valid child nodes until billable leaf codes are reached. This converts extreme multi-label prediction into sparse, hierarchy-aware subset decisions while guaranteeing structurally valid outputs. On MIMIC-IV discharge summaries, our best supervised policy, SFT-1+, achieves 0.709 micro-F1 on a curated 50-code subset and 0.527 micro-F1 on the full 15,761-code space, outperforming flat baselines including CAML, LAAT, and PLM-ICD. In the full setting, SFT-1+ improves over the strongest flat baseline by 0.044 micro-F1 and 0.157 macro-F1, suggesting that graph-constrained decomposition mitigates the rare-code bottleneck. A controlled factorial study evaluates architecture, training algorithm, and data budget. Across both scales, one shared policy matches a three-specialist cascade while avoiding its context-window overflow on 28-32% of full-space test notes. Increasing supervised trajectory data is the only intervention that consistently improves performance, while GRPO reinforcement learning provides no benefit over supervised continuation with matched data. These results show that simple graph-constrained policy learning can outperform more complex flat, cascaded, and reinforcement-learning alternatives for extreme clinical code prediction.
• Abstract（参考訳）: 臨床コード予測は、非構造放電サマリーを、大きく、スパースで、深く階層的なラベル空間のICD-10-CMリーフコードにマッピングする。 ほとんどのシステムは、タスクをフラットなマルチラベル分類として扱い、符号を独立してスコア付けし、レアラベルに対する限られた訓練信号を提供する。 そこで本研究では,ICD予測を有限水平決定プロセスとして定式化するグラフ制約トラバースポリシーを提案する。 単一の言語モデルはグラフレベルをレベル別に下降させ、請求可能なリーフコードに到達するまで有効な子ノードを選択する。 これは、極端なマルチラベル予測を、構造的に有効な出力を保証しながら、スパースで階層対応のサブセット決定に変換する。 MIMIC-IVの放電サマリーでは、最良監督ポリシーであるSFT-1+が、キュレートされた50コードサブセットで0.709マイクロF1、フル15,761コード空間で0.527マイクロF1を達成し、CAML、LAAT、PLM-ICDなどの平坦なベースラインを上回ります。 完全な設定では、SFT-1+は0.044マイクロF1と0.157マクロF1で最強フラットベースラインを改良し、グラフ制約による分解が希少コードのボトルネックを軽減することを示唆している。 制御された要因分析は、アーキテクチャ、トレーニングアルゴリズム、データ予算を評価する。 両スケールで、共有ポリシは3つの特別なカスケードと一致し、フルスペーステストノートの28～32%のコンテキストウィンドウオーバーフローを回避する。 教師付きトラジェクトリデータの増大は、パフォーマンスを継続的に改善する唯一の介入であり、GRPO強化学習は、一致したデータによる教師付き継続よりも利益を与えない。 これらの結果から, 単純なグラフ制約によるポリシー学習は, より複雑なフラット, カスケード, 強化学習の代替として, 極端な臨床コード予測に優れることが示唆された。

関連論文リスト

• Accurate and Resource-Efficient Federated Continual Learning [3.983545455427237]
  フェデレートされた連続学習(FCL)は、限られたリソースの下で分散タスクストリームから学ぶ必要がある。 我々は、勾配に基づく更新をコンパクトなランダムな特徴統計に置き換えるリソース対応分析FCLフレームワークであるFedRANを提案する。 FedRANは最強のベースラインに対して平均精度を最大4.8ポイント改善し、最適化ベースのFCLよりも30.6-121.8$times$のクライアント間通信を使用でき、勾配ベースのベースラインよりも平均190.3$times$高速である。
  論文  参考訳（メタデータ） (2026-06-09T22:14:16Z)
• Verifier-Free RL for LLMs via Intrinsic Gradient-Norm Reward [69.99652051809737]
  本研究では,検証自由な内在性勾配項再帰(VIGOR)を提案する。 VIGORはポリシーモデルのみを使用する単純な報酬です。 数学データのみに基づいてトレーニングされた場合、コードベンチマークへのクロスドメイン転送を示す。
  論文  参考訳（メタデータ） (2026-05-11T03:15:37Z)
• Learning Sparse Label Couplings for Multilabel Chest X-Ray Diagnosis [0.5735035463793009]
  胸部X線のマルチラベル分類について検討し,SE-ResNeXt101$(32×4d)$で構築した単純で強力なパイプラインについて述べる。 背骨はS状骨頭で14個の胸骨に微細化され,Multilabel Iterative Stratification (MIS) を併用し,堅牢なクロスバリデーションを施行した。 分類器の後に置かれる軽量なラベルグラフ再分極モジュールを提案する: ラベルごとの確率が与えられた場合、スパースで訓練可能なラベル間結合行列を学習する。
  論文  参考訳（メタデータ） (2025-11-11T03:38:01Z)
• Federated Learning for ICD Classification with Lightweight Models and Pretrained Embeddings [0.9668407688201359]
  本研究では,多ラベルICD符号分類におけるフェデレート学習の有効性と性能について検討した。 本稿では, シンプルな多層パーセプトロン(MLP)分類器と凍結したテキスト埋め込みを組み合わせたスケーラブルなパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-07-03T18:58:36Z)
• Class Balance Matters to Active Class-Incremental Learning [61.11786214164405]
  まず、大規模な未ラベルデータのプールから始めて、インクリメンタルな学習のための最も情報に富んだサンプルを注釈付けします。 そこで我々は,クラスバランスと情報提供性を両立させるため,クラスバランス選択(CBS)戦略を提案する。 我々のCBSは、プリトレーニング済みモデルとプロンプトチューニング技術に基づいて、これらのCILメソッドに接続し、再生することができる。
  論文  参考訳（メタデータ） (2024-12-09T16:37:27Z)
• Continual Learning on a Diet: Learning from Sparsely Labeled Streams Under Constrained Computation [123.4883806344334]
  本研究では,学習アルゴリズムが学習段階ごとに制限された計算予算を付与する,現実的な連続学習環境について検討する。 この設定を,スパースラベル率の高い大規模半教師付き連続学習シナリオに適用する。 広範に分析と改善を行った結果,DietCLはラベル空間,計算予算,その他様々な改善の完全な範囲で安定していることがわかった。
  論文  参考訳（メタデータ） (2024-04-19T10:10:39Z)
• Automated clinical coding using off-the-shelf large language models [10.365958121087305]
  診断用ICD符号を患者病院入院に割り当てる作業は、典型的には、熟練した人間のコーダーによって行われる。 自動ICD符号化への取り組みは、教師付きディープラーニングモデルによって支配されている。 本研究では,既製の事前学習型大規模言語モデルを活用し,実用的ソリューションを開発する。
  論文  参考訳（メタデータ） (2023-10-10T11:56:48Z)
• M-Tuning: Prompt Tuning with Mitigated Label Bias in Open-Set Scenarios [58.617025733655005]
  緩和ラベルバイアス(M-Tuning)を用いた視覚言語プロンプトチューニング手法を提案する。 これはWordNetからのオープンワードを導入し、クローズドセットラベルワードのみからもっと多くのプロンプトテキストを形成する単語の範囲を広げ、シミュレートされたオープンセットシナリオでプロンプトをチューニングする。 提案手法は,様々なスケールのデータセット上で最高の性能を達成し,広範囲にわたるアブレーション研究もその有効性を検証した。
  論文  参考訳（メタデータ） (2023-03-09T09:05:47Z)
• Learning, compression, and leakage: Minimising classification error via meta-universal compression principles [87.054014983402]
  学習シナリオのための圧縮技法の有望なグループは、正規化極大(NML)符号化である。 ここでは,教師付き分類問題に対するNMLに基づく意思決定戦略を検討し,多種多様なモデルに適用した場合にPAC学習を実現することを示す。 本手法の誤分類率は,プライバシに敏感なシナリオにおいて,データ漏洩の可能性を定量化するための指標である最大リークによって上限づけられていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T20:03:58Z)

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。