CORE-Acu: 구조화된 추론 경로 및 지식 그래프 안전성 검증을 통한 침 치료 임상 의사 결정 지원

CORE-Acu: Structured Reasoning Traces and Knowledge Graph Safety Verification for Acupuncture Clinical Decision Support

대규모 언어 모델(LLM)은 임상 의사 결정 지원(CDS) 분야에서 상당한 잠재력을 보여주지만, 추적 불가능한 추론과 확률적 환각으로 특징지어지는 '블랙박스'적인 특성은 엄격한 해석 가능성과 안전성을 요구하는 침 치료 분야에서 심각한 과제를 야기합니다. 이러한 문제를 해결하기 위해, 우리는 구조화된 체인 오브 소트(S-CoT)와 지식 그래프(KG) 안전성 검증을 통합한 침 치료 임상 의사 결정 지원을 위한 신경-기호 프레임워크인 CORE-Acu를 제안합니다. 먼저, 우리는 최초의 침 치료 구조화된 추론 경로 데이터셋을 구축하고, 스키마 제약 기반의 미세 조정 프레임워크를 개발했습니다. 패턴 식별부터 치료 원칙, 치료 계획, 침술 포인트 선택까지 명시적인 인과 관계를 적용함으로써, 암묵적인 전통 중국 의학(TCM) 추론을 해석 가능한 생성 제약 조건으로 변환하여 LLM 기반 CDS의 불투명성을 완화합니다. 또한, 우리는 TCM 안전성 지식 그래프를 구축하고, 상징적 거부 메커니즘을 기반으로 한 ``생성-검증-수정`` 폐쇄 루프 추론 시스템을 구축하여 결정적인 규칙을 사용하여 환각을 차단하고 엄격한 안전 경계를 적용합니다. 마지막으로, 우리는 일반적인 최적화 과정에서 발생하는 빈도-중요도 불균형으로 인한 용어 편향을 교정하기 위해, 미세 조정 과정에서 고위험 엔티티의 그래디언트 기여도를 적응적으로 증폭시키는 Lexicon-Matched Entity-Reweighted Loss (LMERL)를 도입했습니다. 1,000개의 보류된 사례에 대한 실험 결과, CORE-Acu는 우수한 엔티티 충실도와 추론 품질을 보여주었습니다. 특히, CORE-Acu는 1,000건 중 0건의 안전 위반(95% 신뢰 구간: 0--0.37%)을 기록한 반면, GPT-4o는 동일한 규칙 하에서 8.5%의 위반율을 보였습니다. 이러한 결과는 CORE-Acu가 침 치료 임상 의사 결정 지원을 위한 강력한 신경-기호 프레임워크이며, 추론의 감사 가능성과 엄격한 안전 준수를 모두 보장한다는 것을 입증합니다.

Large language models (LLMs) show significant potential for clinical decision support (CDS), yet their black-box nature -- characterized by untraceable reasoning and probabilistic hallucinations -- poses severe challenges in acupuncture, a field demanding rigorous interpretability and safety. To address this, we propose CORE-Acu, a neuro-symbolic framework for acupuncture clinical decision support that integrates Structured Chain-of-Thought (S-CoT) with knowledge graph (KG) safety verification. First, we construct the first acupuncture Structured Reasoning Trace dataset and a schema-constrained fine-tuning framework. By enforcing an explicit causal chain from pattern identification to treatment principles, treatment plans, and acupoint selection, we transform implicit Traditional Chinese Medicine (TCM) reasoning into interpretable generation constraints, mitigating the opacity of LLM-based CDS. Furthermore, we construct a TCM safety knowledge graph and establish a ``Generate--Verify--Revise'' closed-loop inference system based on a Symbolic Veto Mechanism, employing deterministic rules to intercept hallucinations and enforce hard safety boundaries. Finally, we introduce the Lexicon-Matched Entity-Reweighted Loss (LMERL), which corrects terminology drift caused by the frequency--importance mismatch in general optimization by adaptively amplifying gradient contributions of high-risk entities during fine-tuning. Experiments on 1,000 held-out cases demonstrate CORE-Acu's superior entity fidelity and reasoning quality. Crucially, CORE-Acu achieved 0/1,000 observed safety violations (95\% CI: 0--0.37\%), whereas GPT-4o exhibited an 8.5\% violation rate under identical rules. These results establish CORE-Acu as a robust neuro-symbolic framework for acupuncture clinical decision support, guaranteeing both reasoning auditability and strict safety compliance.