사회적 사고 체인: 의료 감별 진단 방법론에 기반한 다중 에이전트 아키텍처

Social Chain of Thought: A Multi-Agent Architecture Grounded in Medical Differential Diagnosis Methodology

의료 진단 추론은 LLM(대규모 언어 모델)의 중요한 응용 분야이며, 사용자들의 건강과 웰빙에 큰 영향을 미칩니다. OpenAI(2026)에서 전 세계 ChatGPT 메시지의 5% 이상이 의료 관련이라는 보고가 나올 때, 이러한 시스템의 투명성은 심각한 설계 문제로 대두됩니다. 특히 복잡한 경우, 감별 진단은 종종 여러 분야 전문가의 지식을 통합해야 합니다. 기존 연구에서는 의료 진단을 위한 다중 에이전트 접근 방식이 제안되었지만, 이러한 시스템이 언제 필요한지, 왜 도움이 되는지, 그리고 단일 모델 기반 추론보다 어떤 부분에서 우수한지에 대한 명확성은 여전히 부족합니다. 본 논문에서는 사회적 사고 체인(Social Chain of Thought, SCoT)을 소개합니다. SCoT는 의료 감별 진단을 위한 다중 라운드 파이프라인으로, 다중 에이전트 상호 작용을 협력적인 LLM 추론을 위한 숙고 프레임워크로 구조화합니다. SCoT를 단일 에이전트 기반 모델, 단일 에이전트 파이프라인 제거 실험, 그리고 최상의 n개 결과 선택(best-of-n scaling)과 비교하여 평가한 결과, SCoT의 높은 재현율(recall)은 단일 모델 추론만으로는 재현되지 않는다는 것을 확인했습니다. SCoT는 가장 어려운 진단 사례에서 가장 효과적이며, 여러 라운드의 전문가 의견 교환을 통해 실제 진단을 회복하고 더 높은 재현율의 감별 진단을 도출하는 데 기여합니다.

Medical diagnostic reasoning is a high-impact use case for LLMs that carries significant implications for the health and wellbeing of users. When OpenAI (2026) reports that more than 5% of ChatGPT messages globally are healthcare-related, the transparency of these systems becomes a serious design concern. This is especially true for complex cases, where differential diagnosis often requires integrating multiple forms of specialist reasoning. Existing work has proposed multi-agent approaches to medical diagnosis, but it remains unclear when such systems are needed, why they help, and where they outperform monolithic inference. We introduce Social Chain of Thought (SCoT),a multi-round pipeline for medical differential diagnosis that structures multi-agent interaction as a deliberative framework for collabora. tive LLM reasoning. Evaluating SCoT against single-agent baselines, one-agent pipeline ablations, and best-of-n scaling, we show that its recall advantage is not reproduced by monolithic inference alone. SCoT is most successful in the hardest diagnostic cases, where multiple rounds of specialist conversation help recover ground-truth diagnoses and converge on a higher-recall differential.