Reinforcement Learning Improves LLM Accuracy and Reasoning in Disease Classification from Radiology Reports | AIChainDay

한국어 요약by Claude · 2026. 4. 22.

방사선 보고서에서의 질병 분류 정확도 향상을 위해 SFT 후 GRPO를 적용하는 2단계 학습 방식을 제안한다. 경량 LLM의 SFT는 정확도를 높이지만 추론 능력을 저하시킬 수 있는데, GRPO는 추론 감독 없이 정확도와 형식만 최적화해 이를 보완한다. 방사선 전문의가 라벨링한 3개 데이터셋에서 SFT는 베이스라인을 능가했고, GRPO는 분류 성능과 함께 추론의 재현율 및 포괄성을 추가로 향상시켰다.

•SFT가 정확도를 높이지만 추론을 저하시키는 문제를 GRPO로 보완
•GRPO는 추론 감독 없이 정확도와 형식만 보상으로 최적화
•방사선의 라벨 3개 데이터셋에서 베이스라인 대비 일관된 향상
•분류 정확도 외에 추론의 재현율과 포괄성도 함께 개선

0단 자동

AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.

규칙 판: 규칙 판 도입 이전 기사입니다.
남기는 것: 규칙 판 · 모델 · 시각
판 기록: 아직 없습니다.

AI2026년 4월 22일AI 점수: 93%

Reinforcement Learning Improves LLM Accuracy and Reasoning in Disease Classification from Radiology Reports

출처:arXiv cs.AI

AI 인사이트

개발자

1.방사선 보고서 질병 분류에 SFT 후 GRPO를 적용하는 2단계 접근법 제안
2.GRPO는 추론 감독 없이 정확도와 형식만으로 예측 세련
3.3개 방사선과의 주석 데이터셋에서 베이스라인 대비 분류 성능 상승
4.분류와 동시에 추론 재현율과 포괄성도 함께 향상

왜 중요한가?

경량 LLM의 의료 영상 보고서 해석에서 지도 미세조정이 야기하는 추론 저하 문제를 실질적으로 해결하는 방법론

언급 프로젝트

GRPO SFT

본문 미리보기

arXiv:2604.19060v1 Announce Type: new Abstract: Accurate disease classification from radiology reports is essential for many applications. While supervised fine-tuning (SFT) of lightweight LLMs improves accuracy, it can degrade reasoning. We propose a two-stage approach: SFT on disease labels followed by Group Relative Policy Optimization (GRPO) to refine predictions by optimizing accuracy and format without reasoning supervision. Across three radiologist-annotated datasets, SFT outperformed ba

전체 내용이 궁금하다면?

원문을 직접 읽어보세요

원문 보기