지식을 활용한 맞춤형 의료 서비스: 지식 그래프 기반 의료 후속 질문 생성

Linking Knowledge to Care: Knowledge Graph-Augmented Medical Follow-Up Question Generation

임상 진단은 시간 소모적이며 환자와 의료 전문가 간의 긴밀한 상호 작용이 필요합니다. 대규모 언어 모델(LLM)은 진단 전 작업을 간소화할 수 있지만, 제한적인 전문 지식으로 인해 효과적인 의료 질문 생성이 어렵습니다. 본 연구에서는 지식 그래프(KG)를 활용하여 LLM의 성능을 향상시키고, 능동적인 문맥 학습을 통해 관련성 있고 중요한 후속 질문을 생성하는 모델인 KG-Followup을 제안합니다. KG-Followup은 사전 진단 평가의 핵심 모듈로서 작동합니다. 구조화된 의료 지식 그래프는 LLM이 추론할 수 있도록 전문적인 지식을 제공하는 완벽한 솔루션입니다. 실험 결과, KG-Followup은 관련 벤치마크에서 최고 성능 모델보다 5%에서 8% 더 높은 재현율을 보여주었습니다.

Clinical diagnosis is time-consuming, requiring intensive interactions between patients and medical professionals. While large language models (LLMs) could ease the pre-diagnostic workload, their limited domain knowledge hinders effective medical question generation. We introduce a Knowledge Graph-augmented LLM with active in-context learning to generate relevant and important follow-up questions, KG-Followup, serving as a critical module for the pre-diagnostic assessment. The structured medical domain knowledge graph serves as a seamless patch-up to provide professional domain expertise upon which the LLM can reason. Experiments demonstrate that KG-Followup outperforms state-of-the-art methods by 5% - 8% on relevant benchmarks in recall.