La clasificación automática internacional de enfermedades (CIE), un sistema para asignar códigos adecuados a un texto clínico dado, ha recibido una atención creciente. Los estudios anteriores se han centrado en formular la tarea de codificación de la CIE como un enfoque de predicción multietiqueta, explorando la relación entre los textos clínicos y los códigos de la CIE, códigos principales y códigos secundarios, y hermanos. Sin embargo, el gran espacio de búsqueda de códigos de la CIE dificulta la localización de las etiquetas objetivo. Además, existe una gran distribución desequilibrada de códigos de la CIE en diferentes niveles. En este trabajo, proponemos , que convierte la codificación de la CIE en un problema de generación de gráficos. Específicamente, presentamos algoritmos de entrenamiento de adaptación de dominio adversarial, algoritmos de refuerzo de gráficos y regularización de perturbaciones adversariales. Luego, presentamos un discriminador para gráficos de etiquetas que calcula la recompensa para cada código de la CIE en el gráfico de etiquetas del generador. supera los enfoques de vanguardia existentes en medidas de evaluación clave como micro-F1, micro-AUC y P@K, lo que lleva a la formación de un nuevo estudio de vanguardia.