MedSpeak: 지식 그래프 기반 음성 인식 오류 수정 프레임워크를 활용한 의료 질의응답 시스템

MedSpeak: A Knowledge Graph-Aided ASR Error Correction Framework for Spoken Medical QA

자동 음성 인식(ASR)에 의존하는 음성 질의응답(SQA) 시스템은 의료 용어를 정확하게 인식하는 데 어려움을 겪는 경우가 많습니다. 이에, 본 논문에서는 의료 지식 그래프에 저장된 의미 관계 및 음성 정보를 활용하고, LLM의 추론 능력을 결합하여 노이즈가 많은 음성 기록을 개선하고, 답변 예측 성능을 향상시키는 새로운 지식 그래프 기반 ASR 오류 수정 프레임워크인 MedSpeak을 제안합니다. 다양한 벤치마크 실험 결과는 MedSpeak이 의료 용어 인식 정확도와 전체 의료 SQA 성능을 크게 향상시킨다는 것을 보여주며, MedSpeak은 의료 SQA를 위한 최첨단 솔루션임을 입증합니다. 코드 및 관련 자료는 https://github.com/RainieLLM/MedSpeak 에서 확인할 수 있습니다.

Spoken question-answering (SQA) systems relying on automatic speech recognition (ASR) often struggle with accurately recognizing medical terminology. To this end, we propose MedSpeak, a novel knowledge graph-aided ASR error correction framework that refines noisy transcripts and improves downstream answer prediction by leveraging both semantic relationships and phonetic information encoded in a medical knowledge graph, together with the reasoning power of LLMs. Comprehensive experimental results on benchmarks demonstrate that MedSpeak significantly improves the accuracy of medical term recognition and overall medical SQA performance, establishing MedSpeak as a state-of-the-art solution for medical SQA. The code is available at https://github.com/RainieLLM/MedSpeak.