LLM을 활용한 임상 그래프 구조 개선: EEG 뇌전증 진단에서의 표현 학습 향상

LLM as Clinical Graph Structure Refiner: Enhancing Representation Learning in EEG Seizure Diagnosis

뇌파(EEG) 신호는 자동 뇌전증 감지에 필수적이지만, 내재적인 노이즈로 인해 견고한 표현 학습이 어렵습니다. 기존의 상관관계 기반 또는 학습 기반 그래프 구성 방법은 EEG 데이터의 노이즈 특성으로 인해 종종 불필요하거나 관련 없는 연결을 생성하여 그래프 표현의 품질을 저하시키고 후속 작업의 성능을 제한합니다. 대규모 언어 모델(LLM)의 뛰어난 추론 및 문맥 이해 능력을 바탕으로, 우리는 LLM을 그래프 연결 개선기로 활용하는 방법을 탐구합니다. 구체적으로, 우리는 두 단계 프레임워크를 제안합니다. 먼저, LLM 기반 연결 개선이 불필요한 연결을 효과적으로 식별하고 제거하여 뇌전증 감지 정확도를 크게 향상시키고 의미 있는 그래프 구조를 생성하는 것을 확인합니다. 이러한 통찰력을 바탕으로, Transformer 기반 연결 예측기와 다층 퍼셉트론을 사용하여 초기 그래프를 구성하고 잠재적 연결에 확률 점수를 할당하여 임계값을 적용하여 연결 존재 여부를 결정하는 견고한 솔루션을 개발합니다. LLM은 이후 텍스트 및 통계적 특징을 기반으로 노드 쌍의 연결을 검증하여 연결 집합을 개선하는 역할을 합니다. TUSZ 데이터 세트에 대한 광범위한 실험 결과, LLM 기반 그래프 학습 프레임워크는 작업 성능을 향상시킬 뿐만 아니라 더 깨끗하고 해석 가능한 그래프 표현을 제공합니다.

Electroencephalogram (EEG) signals are vital for automated seizure detection, but their inherent noise makes robust representation learning challenging. Existing graph construction methods, whether correlation-based or learning-based, often generate redundant or irrelevant edges due to the noisy nature of EEG data. This significantly impairs the quality of graph representation and limits downstream task performance. Motivated by the remarkable reasoning and contextual understanding capabilities of large language models (LLMs), we explore the idea of using LLMs as graph edge refiners. Specifically, we propose a two-stage framework: we first verify that LLM-based edge refinement can effectively identify and remove redundant connections, leading to significant improvements in seizure detection accuracy and more meaningful graph structures. Building on this insight, we further develop a robust solution where the initial graph is constructed using a Transformer-based edge predictor and multilayer perceptron, assigning probability scores to potential edges and applying a threshold to determine their existence. The LLM then acts as an edge set refiner, making informed decisions based on both textual and statistical features of node pairs to validate the remaining connections. Extensive experiments on TUSZ dataset demonstrate that our LLM-refined graph learning framework not only enhances task performance but also yields cleaner and more interpretable graph representations.