医疗编码是连接临床记录与计费、统计和公共卫生数据的关键环节，但 ICD-10-CM 编码体系庞大复杂，人工编码耗时且易出错。近期一篇 arXiv 论文提出 RAG-Coding，一种基于智能体（agentic）的自动编码方法，旨在利用大语言模型（LLM）并结合结构化外部知识来提升编码的准确性和临床合规性。
RAG-Coding 的核心设计是协调四个 LLM 智能体。每个智能体承担不同的编码子任务，例如解析临床文本、检索相关编码规则、提出候选编码以及最终校验。为了确保决策有据可依，这些智能体被接地（grounded）到外部知识源，包括官方的 ICD-10-CM 表格列表和编码指南。通过检索并交叉引用这些来源中的相关信息，智能体能够更准确地确定编码，并遵守临床编码规范。
研究团队在 MDACE 数据集上评估了 RAG-Coding 的性能。实验覆盖多个 LLM 骨干模型，结果显示 RAG-Coding 在 micro-F1 上比最佳 LLM 基线高出 8-13%，在 macro-F1 上高出 2-8%。这一提升表明，引入外部知识能有效弥补 LLM 在专业编码任务上的不足。消融实验进一步展示了逐步增益，验证了外部知识模块的重要性。
与当前最先进的预训练语言模型方法 PLM-ICD 相比，RAG-Coding 表现出不同的性能特征。RAG-Coding 的 micro recall 高出 11%，意味着它能找出更多正确的编码；但 PLM-ICD 的 micro precision 高出 6%，在减少错误编码方面更优。两者在 micro-F1 和 macro-F1 上总体相当。这种互补性提示未来可以将两种方法结合，取长补短。
除了方法本身，作者还发布了 MDACE-2025，这是对原始 MDACE 数据集的更新。更新版由专家按照最新的 2025 年 ICD-10-CM 指南重新标注，提供了更细粒度的编码标签，使得评估能够对照当前临床标准进行。该数据集的发布有助于推动医疗编码研究跟上编码体系的变化。
论文提交于 2026 年 4 月 9 日，作者包括 Yidong Gan 在内的七人。论文注释提到更多实验和分析正在进行中。该工作属于计算与语言（cs.CL）领域，同时涉及人工智能（cs.AI）和信息检索（cs.IR），展示了 RAG 范式在垂直专业领域的应用潜力。