标准化临床语言到 SNOMED CT 能提升互操作性、分析和可复用表型，但当相关概念稀缺或训练数据中缺失时，概念推荐仍具挑战。我们基于 SNOMED CT Entity Linking Challenge v1.2.1，使用 MIMIC‑IV‑Note 构建了遮蔽概念推荐基准。数据包含 75,491 条标注，覆盖 272 份出院小结，其中 204 份用于训练，68 份用于历史测试。对每个唯一的笔记‑概念对，目标提及在局部临床上下文中被遮蔽，系统需在训练期间出现的 SNOMED CT 概念集合中排序。
我们比较了流行度基线、稀疏 TF‑IDF 概念原型、密集潜在语义分析（LSA）嵌入、稀疏‑密集融合、检索笔记证据以及检索增强混合模型。稀疏 TF‑IDF 表现最佳，Recall@1 为 14.81%，Recall@10 为 33.43%，MRR 为 0.2114，nDCG@10 为 0.2297。检索增强未提升基线，Recall@10 为 31.99%，MRR 为 0.1937。概念出现频率对性能影响显著：仅在 1‑2 份训练笔记中出现的概念 Recall@10 为 7.74%，而出现超过十次的概念 Recall@10 为 43.90%。此外，9.66% 的测试笔记‑概念对包含训练未见概念。结果表明，在资源受限环境下，局部词汇上下文和术语覆盖是推荐质量的关键因素，并为后续本体驱动和生物医学编码检索系统提供了可复现的基准。
点评