論文の概要: Beyond ICD Codes: Semantic IDs for Generative Medical Coding

• arxiv url: http://arxiv.org/abs/2610.19301v1
• Date: Tue, 13 Oct 2026 23:20:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.849283
• Title: Beyond ICD Codes: Semantic IDs for Generative Medical Coding
• Title（参考訳）: ICDコードを超えて: ジェネレーティブな医療コーディングのためのセマンティックID
• Abstract要約: 国際疾患分類(ICD)符号化における生成的アプローチは、大規模言語モデル(LLM)を用いてICDコードを予測する。 SemICD は LLM を訓練して Semantic ID (SID) を生成するフレームワークである。
• 参考スコア（独自算出の注目度）: 19.044286451207793
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative approaches to automatic International Classification of Diseases (ICD) coding use large language models (LLMs) to predict ICD codes from clinical documents. However, original ICD code strings are not ideal generation targets because the ICD hierarchy does not always reflect clinical relationships, and LLMs struggle to interpret and generate these codes. We introduce SemICD, a framework that trains LLMs to generate Semantic IDs (SIDs) instead. SemICD constructs SIDs by hierarchically clustering embeddings of textual code profiles, allowing semantically related codes to share prefixes while each complete SID uniquely identifies one ICD code. To align the SID tokens with clinical semantics, we employ two auxiliary tasks for bidirectional generation between textual code profiles and SIDs. Experiments on MIMIC-III and MIMIC-IV with four LLMs show that SemICD outperforms direct code generation, improving Micro-F1 by 1.34-8.00 points. Our code is available at https://github.com/youwillbethebest/SemICD.
• Abstract（参考訳）: 国際疾患分類(ICD)符号化における生成的アプローチは、臨床文書からICDコードを予測するために大言語モデル(LLM)を用いる。 しかし、本来のICDコード文字列は、ICD階層が必ずしも臨床関係を反映していないため、理想的な生成ターゲットではない。 SemICD は LLM を訓練して Semantic ID (SID) を生成するフレームワークである。 SemICDはテキストコードプロファイルの埋め込みを階層的にクラスタリングすることでSIDを構築し、セマンティックな関連コードでプレフィックスを共有する。 SIDトークンを臨床的意味と整合させるために,テキストコードプロファイルとSID間の双方向生成に2つの補助的タスクを用いる。 MIMIC-IIIとMIMIC-IVの実験では、SemICDは直接コード生成より優れており、Micro-F1は1.34-8.00ポイント向上した。 私たちのコードはhttps://github.com/youwillbethebest/SemICD.comで利用可能です。

関連論文リスト

• From Documents to Spans: Code-Centric Learning for LLM-based ICD Coding [29.729356191729888]
  完全臨床文書からスケーラブルで短いエビデンスの範囲に監督を移行させるトレーニングフレームワークであるCode-Centric Learningを提案する。 提案するフレームワークは,学習コストを大幅に削減し,見えないICD符号の精度を向上し,解釈可能性を維持する,混合学習戦略とコード中心データ拡張から構成される。
  論文  参考訳（メタデータ） (2026-03-16T13:37:01Z)
• ACE-ICD: Acronym Expansion As Data Augmentation For Automated ICD Coding [2.0267433264426598]
  本稿では,医療用頭字語を拡張するために,大規模言語モデルを活用した新しい効果的なデータ拡張手法を提案する。 我々のアプローチであるACE-ICDは、共通コード、レアコード、フルコード代入を含む、複数の設定にまたがる新しい最先端のパフォーマンスを確立します。
  論文  参考訳（メタデータ） (2025-11-10T17:11:20Z)
• Auxiliary Knowledge-Induced Learning for Automatic Multi-Label Medical Document Classification [22.323705343864336]
  3つのアイデアを取り入れた新しいICDインデクシング手法を提案する。 臨床ノートから情報を収集するために,多レベル深部拡張残差畳み込みエンコーダを用いた。 我々はICD分類の課題を医療記録の補助的知識で定式化する。
  論文  参考訳（メタデータ） (2024-05-29T13:44:07Z)
• CodeIP: A Grammar-Guided Multi-Bit Watermark for Large Language Models of Code [56.019447113206006]
  大規模言語モデル(LLM)はコード生成において顕著な進歩を遂げた。 CodeIPは、新しいマルチビット透かし技術で、出所の詳細を保持するために追加情報を挿入する。 5つのプログラミング言語にまたがる実世界のデータセットで実施された実験は、CodeIPの有効性を実証している。
  論文  参考訳（メタデータ） (2024-04-24T04:25:04Z)
• Lever LM: Configuring In-Context Sequence to Lever Large Vision Language Models [45.67877482179697]
  我々は,67Mパラメータを持つ変換器である小言語モデル(LM)を用いて,9Bパラメータを持つはるかに大きな視覚言語モデル(LVLM)をレバーすることを提案する。 具体的には、この textbfLever-LM を用いて、LVLM のインコンテキストリアリング(ICL)性能を改善するために、効果的なインコンテキスト・デモ(ICD)シーケンスを構成する。
  論文  参考訳（メタデータ） (2023-12-15T03:11:03Z)
• Language Models As Semantic Indexers [78.83425357657026]
  本稿では,ジェネレーティブ言語モデルを用いてセマンティックIDを学習するための自己教師型フレームワークLMIndexerを紹介する。 学習したIDの質を検証し,推奨,製品検索,文書検索の3つの課題において有効性を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:56:15Z)
• A Two-Stage Decoder for Efficient ICD Coding [10.634394331433322]
  ICD符号の予測のための2段階復号機構を提案する。 まず、まず親コードを予測し、その子コードを前回の予測に基づいて予測する。 公開MIMIC-IIIデータセット実験により,本モデルが単一モデル設定で良好に動作することを示す。
  論文  参考訳（メタデータ） (2023-05-27T17:25:13Z)
• Multi-label Few-shot ICD Coding as Autoregressive Generation with Prompt [7.554528566861559]
  本研究では,このマルチラベル分類タスクを自己回帰生成タスクに変換する。 ICD符号の高次元空間を直接予測する代わりに、我々のモデルはテキスト記述の低次元を生成する。 MIMIC-III-few実験により,従来のMIMIC-III-full SOTAモデルよりも大幅に優れるマルコF130.2が得られた。
  論文  参考訳（メタデータ） (2022-11-24T22:10:50Z)

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。