GraphDx는 진단 정확도와 검사 비용의 균형이 필요한 순차 진단(sequential diagnosis)을 위해 지식그래프와 멀티에이전트를 결합한 프레임워크다. LLM이 방대한 의학 지식을 갖고도 비용 제약 하 체계적 추론에 실패해 과잉 검사로 흐르는 '지식-추론 격차'가 문제의식이다. LLM으로 전형성 정량화·행동 중심 토폴로지·진단 관련성과 비용 민감도의 이중 목표 속성을 갖춘 의료 진단 지식그래프(MDKG)를 자동 구축하고, 지각·추론·결정 3개 협업 에이전트 중 추론 에이전트가 MDKG 위에서 결정론적 증거 점수화와 비용 인지 계획을 수행한다. MedQA와 MIMIC-IV에서 DeepSeek-V3, Kimi-k2, Llama-3.3 세 백본 모두 진단 성공률을 50~68%에서 79~93%로 올리고 검사 비용을 20~54% 줄여, 경제적이고 해석 가능한 자동 임상 진단의 가능성을 보였다.
- •LLM이 비용 제약 하 과잉 검사로 흐르는 '지식-추론 격차'를 문제로 규정
- •전형성 정량화·비용 민감도 속성을 갖춘 의료 진단 지식그래프(MDKG) 자동 구축 파이프라인
- •지각·추론·결정 3개 에이전트 분업, 추론 에이전트는 결정론적 증거 점수화 담당
- •MedQA·MIMIC-IV에서 진단 성공률 50~68%→79~93% 향상, 검사 비용 20~54% 절감
- •DeepSeek-V3·Kimi-k2·Llama-3.3 세 백본에서 일관된 개선 확인
GraphDx: A Cost-Aware Knowledge-Enhanced Multi-Agent Framework for Sequential Diagnosis
- 1.비용 인지 순차 진단 프레임워크 GraphDx, 진단 성공률을 50~68%에서 79~93%로 향상
- 2.LLM으로 의료 진단 지식그래프(MDKG) 자동 구축 — 정량화된 전형성·비용 민감 속성 포함
- 3.지각·추론·결정 3개 협업 에이전트 구성, 추론 에이전트는 MDKG 위에서 결정적 비용 계획 수행
- 4.MedQA·MIMIC-IV와 DeepSeek-V3·Kimi-k2·Llama-3.3 백본에서 검사 비용 20~54% 절감
왜 중요한가?
의학 지식은 풍부하지만 비용 제약 아래 검사 남발로 이어지던 LLM 진단의 지식-추론 간극을 지식그래프 기반 결정적 계획으로 메운 결과로, 정확도 향상과 비용 절감을 동시에 달성해 임상 적용 가능성을 높였다.
🏷️ 언급 프로젝트
본문 미리보기
arXiv:2607.15280v1 Announce Type: new Abstract: Sequential diagnosis requires balancing diagnostic accuracy against resource costs through iterative information gathering. Existing Large Language Model (LLM) approaches exhibit a critical knowledge-reasoning gap: despite encoding extensive medical knowledge, they struggle to reason systematically under cost constraints, often resorting to excessive testing. We propose GraphDx, a knowledge-enhanced framework with two core innovations. First, we d
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
