MultiDx: 다중 소스 지식 통합을 통한 진단 추론 프레임워크

MultiDx: A Multi-Source Knowledge Integration Framework towards Diagnostic Reasoning

진단 예측 및 임상 추론은 의료 분야에서 매우 중요한 과제입니다. 대규모 언어 모델(LLM)은 상식 추론에서 강력한 성능을 보이지만, 제한된 도메인 지식으로 인해 진단 추론에는 어려움을 겪습니다. 기존 방법은 종종 내부 모델 지식이나 정적인 지식 베이스에 의존하여 지식 부족 및 제한적인 적응성을 초래하며, 이는 진단 추론 능력을 저해합니다. 또한, 이러한 방법은 최종 예측의 정확도에만 초점을 맞추고, 표준적인 임상 추론 경로와의 일관성을 간과합니다. 이에, 우리는 여러 지식 소스에서 수집된 증거를 분석하여 감별 진단을 수행하는 두 단계의 진단 추론 프레임워크인 MultiDx를 제안합니다. 구체적으로, MultiDx는 웹 검색, SOAP 형식의 사례, 임상 사례 데이터베이스에서 얻은 지식을 활용하여 의심스러운 진단 및 추론 경로를 생성합니다. 그런 다음, 매칭, 투표 및 감별 진단을 통해 다양한 관점의 증거를 통합하여 최종 예측을 생성합니다. 두 개의 공개 벤치마크에 대한 광범위한 실험을 통해 제안하는 방법의 효과성을 입증했습니다.

Diagnostic prediction and clinical reasoning are critical tasks in healthcare applications. While Large Language Models (LLMs) have shown strong capabilities in commonsense reasoning, they still struggle with diagnostic reasoning due to limited domain knowledge. Existing approaches often rely on internal model knowledge or static knowledge bases, resulting in knowledge insufficiency and limited adaptability, which hinder their capacity to perform diagnostic reasoning. Moreover, these methods focus solely on the accuracy of final predictions, overlooking alignment with standard clinical reasoning trajectories. To this end, we propose MultiDx, a two-stage diagnostic reasoning framework that performs differential diagnosis by analyzing evidence collected from multiple knowledge sources. Specifically, it first generates suspected diagnoses and reasoning paths by leveraging knowledge from web search, SOAP-formatted case, and clinical case database. Then it integrates multi-perspective evidence through matching, voting, and differential diagnosis to generate the final prediction.~Extensive experiments on two public benchmarks demonstrate the effectiveness of our approach.