一项新研究探讨了在国际疾病分类（ICD）编码领域，训练后技术对大型语言模型（LLMs）有效性的研究。研究表明，虽然在简单提示场景下LLMs表现不佳，但诸如监督微调（SFT）和强化学习（RL）等特定任务的训练后方法显著增强了它们的能力。该研究引入了一个名为PHI的诊断课程，进一步优化了对遗漏代码案例的表现，表明针对全分类法召回率的优化是释放LLMs在医疗编码方面潜力的关键。 AI
影响 训练后方法显著提高了LLMs在医疗编码等专业领域的性能，表明其应用范围比目前的提示限制更广。
排序理由 该集群包含一篇学术论文，详细介绍了LLMs在特定任务方面的能力的实证研究。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.13940v1 Announce Type: new Abstract: Automated International Classification of Diseases (ICD) coding is a core medical-coding task for billing, epidemiology, and clinical decision support. Generative large language models (LLMs) are often reported as weak medical coder…
Automated International Classification of Diseases (ICD) coding is a core medical-coding task for billing, epidemiology, and clinical decision support. Generative large language models (LLMs) are often reported as weak medical coders, but this finding mainly comes from inference-…