문맥 의존적 생의학 질의응답을 위한 조건 게이트 추론

Condition-Gated Reasoning for Context-Dependent Biomedical Question Answering

현재의 생의학 질의응답(QA) 시스템은 흔히 의학 지식이 일률적으로 적용된다고 가정하지만, 실제 임상 추론은 본질적으로 조건부이다. 즉, 거의 모든 결정이 동반 질환 및 금기 사항과 같은 환자 특이적 요인에 의존한다. 기존 벤치마크는 이러한 조건부 추론을 평가하지 않으며, 검색 증강 또는 그래프 기반 방법론은 검색된 지식이 주어진 문맥에 적용 가능한지를 보장하는 명시적 메커니즘이 부족하다. 이러한 간극을 해결하기 위해, 우리는 환자의 조건에 따라 정답이 달라지는 다중 홉(multi-hop) 질문들로 구성된 조건부 생의학 QA를 위한 최초의 벤치마크인 CondMedQA를 제안한다. 나아가, 조건 인지(condition-aware) 지식 그래프를 구축하고 질의 조건에 기반하여 추론 경로를 선택적으로 활성화하거나 가지치기(pruning)하는 새로운 프레임워크인 조건 게이트 추론(Condition-Gated Reasoning, CGR)을 제안한다. 연구 결과에 따르면 CGR은 생의학 QA 벤치마크에서 최첨단(state-of-the-art) 성능과 동등하거나 이를 능가하는 동시에 조건에 적합한 정답을 보다 신뢰할 수 있게 선택하는 것으로 나타났으며, 이는 견고한 의학 추론을 위해 조건성을 명시적으로 모델링하는 것의 중요성을 강조한다.

Current biomedical question answering (QA) systems often assume that medical knowledge applies uniformly, yet real-world clinical reasoning is inherently conditional: nearly every decision depends on patient-specific factors such as comorbidities and contraindications. Existing benchmarks do not evaluate such conditional reasoning, and retrieval-augmented or graph-based methods lack explicit mechanisms to ensure that retrieved knowledge is applicable to given context. To address this gap, we propose CondMedQA, the first benchmark for conditional biomedical QA, consisting of multi-hop questions whose answers vary with patient conditions. Furthermore, we propose Condition-Gated Reasoning (CGR), a novel framework that constructs condition-aware knowledge graphs and selectively activates or prunes reasoning paths based on query conditions. Our findings show that CGR more reliably selects condition-appropriate answers while matching or exceeding state-of-the-art performance on biomedical QA benchmarks, highlighting the importance of explicitly modeling conditionality for robust medical reasoning.