Managing Map Cardinality in Automatic Disease Classification Mapping: Balancing Precision, Recall and Coverage

📄 arXiv: 2606.29750v1 📥 PDF

作者: Santosh Purja Pun, Oliver Obst, Jim Basilakis, Jeewani Anupama Ginige

分类: cs.CL

发布日期: 2026-06-29

备注: Main text: 8 pages, 1 table and 3 figures; Appendix: 8 pages, 11 tables, 2 figures

💡 一句话要点

提出基于大语言模型的疾病分类映射方法以解决映射精度与覆盖率问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 疾病分类 自动映射 大语言模型 精度与覆盖率 健康数据整合 实体解析 机器学习

📋 核心要点

  1. 现有的疾病分类映射方法主要集中于一对一的映射，无法有效处理一对多的复杂情况，导致精度和覆盖率不足。
  2. 本文提出了一种基于阻塞与匹配的框架，利用大型语言模型生成候选匹配并识别有效映射，从而提升映射的精度和覆盖率。
  3. 实验结果表明，所提方法在多个ICD版本对中实现了更高的精度，召回率相对可比，同时覆盖率更广，显示出显著的性能提升。

📝 摘要（中文）

自动映射疾病分类系统（如国际疾病分类ICD）是整合健康数据和进行纵向数据分析的重要任务。然而，现有的嵌入式方法主要集中于一对一映射，忽视了更复杂的一对多场景。阈值和Top-K方法虽然是自然扩展，但在精度、召回率和映射覆盖率之间存在固有的权衡。为了解决这一挑战，本文提出了一种新方法，灵感来源于实体解析中常用的阻塞与匹配流程。具体而言，我们首先生成候选匹配块（阻塞），然后利用大型语言模型（LLM）识别每个块中的所有有效映射。实验证明，该方法在多个ICD版本对（ICD-9-CM与ICD-10-CM及ICD-10-AM与ICD-11）中实现了更高的精度，同时保持了可比的召回率和更广的覆盖率。

🔬 方法详解

问题定义：本文旨在解决疾病分类系统之间的自动映射问题，现有方法在处理一对多映射时存在精度和覆盖率不足的痛点。

核心思路：提出了一种基于阻塞与匹配的框架，首先生成候选匹配块，然后利用大型语言模型识别有效映射，以提高映射的精度和覆盖率。

技术框架：整体流程包括两个主要阶段：第一阶段是阻塞，生成候选匹配块；第二阶段是匹配，使用大型语言模型在每个块中识别所有有效映射。

关键创新：最重要的创新在于结合了阻塞与匹配的策略，利用大型语言模型进行有效映射识别，这与传统的一对一映射方法形成了本质区别。

关键设计：在设计中，关键参数包括阻塞策略的选择和大型语言模型的配置，确保能够高效生成候选匹配并准确识别映射。具体的损失函数和网络结构细节在论文中进行了详细描述。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，所提方法在ICD-9-CM与ICD-10-CM及ICD-10-AM与ICD-11的映射中，精度显著提高，召回率保持可比，同时映射覆盖率更广，展现出优于传统方法的性能提升。

🎯 应用场景

该研究的潜在应用领域包括医疗数据整合、公共卫生监测和临床研究等。通过提高疾病分类映射的精度和覆盖率，能够更好地支持健康数据的分析与决策，促进医疗服务的优化与创新。

📄 摘要（原文）

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.