RAG-Coding：利用结构化外部知识增强大语言模型的医疗编码能力

背景

医疗编码（Medical Coding）是将临床诊断、手术操作等医疗信息转化为标准化代码（如 ICD-10-CM/PCS）的过程，是医疗保险报销、流行病学统计和医疗质量评估的基础。准确的医疗编码高度依赖于对权威资源（如 ICD 表格列表和编码指南）的查阅。

然而，现有的基于大语言模型（LLM）的自动化编码方法主要依赖模型内部的预训练知识。这种依赖带来了两个显著痛点：

1. 幻觉问题：LLM 容易生成看似合理但实际错误的编码。
2. 时效性滞后：医疗编码指南（如 ICD 版本更新）频繁变动，而 LLM 的内部知识难以实时同步最新指南，导致模型性能随时间推移而下降。

为了解决这些问题，研究团队提出了 RAG-Coding，一种无需训练（training-free）的智能体（agentic）方法，旨在通过整合结构化外部知识来增强 LLM 的医疗编码能力。

核心内容

1. RAG-Coding 方法论

RAG-Coding 的核心创新在于对传统检索增强生成（RAG）在医疗编码场景下的重构，主要包含两个关键步骤：

• 表格列表编码为知识图谱： 传统的 RAG 方法通常直接检索原始文本，但在医疗编码中，代码之间存在复杂的层级关系（如章节、类别、亚目）和指令性关系。RAG-Coding 将 ICD 表格列表（tabular list）编码为一个知识图谱（Knowledge Graph），显式地捕捉代码间的层级结构和操作指令。这使得模型能够理解代码的逻辑上下文，而不仅仅是语义相似性。

• 指南蒸馏为代码特定摘要： 对于冗长的编码指南，RAG-Coding 不采用直接检索原始文本的方式，而是将其**蒸馏（distill）**为简洁的、与特定代码相关的摘要。这种方法减少了噪声，提供了更精准、更具操作性的指导信息。

• 智能体架构： 该方法采用智能体（Agentic）工作流，无需对 LLM 进行微调（training-free），即可通过外部知识增强现有 LLM 的能力。

2. MDACE-2025 数据集

为了支持本研究并评估模型在最新指南下的表现，作者引入了 MDACE-2025。这是基于原有的 MDACE 数据集，依据 2025 ICD-10-CM/PCS 指南 进行专家重新标注的版本。MDACE-2025 增加了以下关键信息：

• 代码排序（Code Sequencing）：明确标注了多个编码时的优先顺序。
• 理由注释（Justification Comments）：提供了编码选择的专家解释，有助于模型学习推理过程。

3. 实验结果

研究在 MDACE 和 MDACE-2025 两个数据集上进行了广泛评估，涵盖五种不同的 LLM 后端（Backbones）。

• 在 MDACE 数据集上：

  • RAG-Coding 在微平均 F1 分数（micro-F1）上比最佳的 LLM 基线方法高出 3% 至 13%。
  • 其微平均和宏平均 F1 分数（macro-F1）与监督学习（Supervised）的最先进（SOTA）方法相当。
  • 在召回率（Recall）上提升了 11%，尽管精确率（Precision）下降了 6%。这表明该方法在减少漏检方面表现优异，适合需要高覆盖率的医疗场景。

• 在 MDACE-2025 数据集上：

  • RAG-Coding 超越了所有基线方法。
  • 这一结果证明了该方法能够有效泛化到更新后的指南，解决了 LLM 知识滞后问题。

• 消融实验（Ablations）：

  • 消融实验证实了各组件带来的逐步增益，强调了将结构化外部知识整合到基于 LLM 的医疗编码中的重要性。

关键要点

• 无需训练：RAG-Coding 是一种无需微调（training-free）的方法，可以直接增强现有的 LLM 能力，降低了部署成本。
• 结构化知识优于原始文本：将 ICD 表格转化为知识图谱，并将指南蒸馏为代码特定摘要，比直接检索原始文本更有效，能更好地捕捉代码间的逻辑关系。
• 解决时效性问题：通过外部结构化知识，模型能够适应最新的编码指南（如 2025 ICD-10-CM/PCS），避免了内部知识的过时问题。
• 性能显著提升：在多种 LLM 后端上，RAG-Coding 在微平均 F1 上优于最佳 LLM 基线 3-13%，并达到了与监督学习 SOTA 相当的水平。
• 高召回率优势：虽然精确率略有下降（-6%），但召回率大幅提升（+11%），这在医疗编码中至关重要，因为漏诊/漏编码的后果通常比误编码更严重。
• 新数据集 MDACE-2025：提供了基于最新指南的专家重新标注数据，包含代码排序和理由注释，为未来研究提供了宝贵资源。

意义与影响

RAG-Coding 的提出标志着医疗 AI 从“依赖内部知识”向“依赖实时、结构化外部知识”的重要转变。

1. 提升医疗数据质量：通过减少幻觉和提高编码准确性，该方法有助于提高电子健康记录（EHR）数据的标准化程度，从而改善医疗数据分析、保险理赔和公共卫生研究的可靠性。
2. 降低部署门槛：作为一种无需训练的方法，RAG-Coding 使得医院和医疗机构能够利用现有的开源或商用 LLM，结合最新的编码指南快速部署自动化编码系统，无需承担高昂的微调成本和算力开销。
3. 应对指南频繁更新：医疗编码指南的频繁更新一直是自动化系统的痛点。RAG-Coding 证明了通过外部知识注入的方式，可以灵活、低成本地保持模型与最新指南的一致性。
4. 推动智能体在垂直领域的应用：该研究展示了智能体（Agentic）架构结合结构化知识图谱在复杂专业任务中的潜力，为其他需要严格逻辑推理和实时知识更新的领域（如法律、金融合规）提供了参考范式。

总之，RAG-Coding 不仅在技术上实现了性能突破，更在工程实践上提供了一种可持续、可维护的医疗编码自动化解决方案。