From Documents to Spans: Scalable Supervision for Evidence-Based ICD Coding with LLMs

Created by

Haebom

저자

Xu Zhang, Wenxin Ma, Chenxu Wu, Rongsheng Wang, Zhiyang He, Xiaodong Tao, Kun Zhang, S. Kevin Zhou

💡 개요

본 논문은 의료 진단 코드(ICD) 분류 시, 각 코드에 대한 명확한 텍스트 근거를 요구하는 문제점을 해결하기 위해 제안된 Span-Centric Learning (SCL) 방법을 소개합니다. SCL은 전체 문서를 대상으로 하는 복잡한 근거 주석 없이, 국소적인 텍스트 스팬(span) 단위에서 근거 패턴을 학습하고 이를 문서 전체의 코드 분류에 적용하는 프레임워크입니다. 이를 통해 기존 지도 학습 방식 대비 훈련 비용을 20% 수준으로 줄이면서도 8.2포인트의 macro-F1 성능 향상을 달성했습니다.

🔑 시사점 및 한계

•

확장 가능한 근거 기반 학습: 전체 문서 주석 없이 스팬 단위의 경량화된 근거 정보를 활용함으로써, 대규모 데이터셋 구축 및 학습의 확장성을 크게 개선할 수 있습니다.

•

설명 가능한 AI: 각 예측 코드에 대한 명시적인 텍스트 근거를 제공하여, 의료 전문가가 예측 결과를 검토하고 수정할 수 있도록 하여 AI 모델의 투명성과 신뢰성을 높입니다.

•

스팬 정보의 충분성: 스팬 단위의 정보만으로도 효과적인 근거 기반 코드 분류가 가능하다는 것을 보여주었지만, 복잡하거나 모호한 임상 상황에서의 스팬 정보의 근본적인 한계는 여전히 존재할 수 있습니다.

PDF 보기

Made with Slashpage