폐 질환 진단에 필요한 환자별·관계 인지 추론과 단순 지식 회상 사이의 격차('폐 지식-진단 격차')를 메우는 연구다. 저자들은 59,038개 노드와 164,308개 엣지, 15개 개체 유형과 112개 관계 유형으로 구성된 최초의 구조화 폐 지식그래프 LungKG를 구축하고, 이를 기반으로 KG 제약 추론 체인과 KG 유도 강화학습으로 학습한 폐 특화 LLM Lung-R1을 제안했다. 20개 시스템 비교 평가에서 Lung-R1-14B는 객관식·폐 QA·전자의무기록(EMR) 진단 전반에서 최고 성능을 기록했고, EMR 진단 점수 4.3583으로 최강 비교 모델을 0.1476점 앞섰다. 지식그래프 유도 학습이 EMR 기반 폐 진단에 효과적임을 입증한다.
- •59,038개 노드·164,308개 엣지, 15개 개체·112개 관계 유형의 최초 구조화 폐 지식그래프 LungKG 구축
- •KG 제약 추론 체인 구성과 KG 유도 강화학습으로 학습한 폐 특화 LLM Lung-R1 제안
- •20개 시스템 평가에서 Lung-R1-14B가 객관식·폐 QA·EMR 진단 전반 최고 성능
- •EMR 진단 점수 4.3583으로 최강 비교 모델을 0.1476점 상회
Lung-R1: A Knowledge Graph-Guided LLM for Pulmonary Diagnostic Reasoning
- 1.폐질환 진단을 위한 첫 구조화 지식그래프 LungKG와 이를 활용한 LLM Lung-R1 공개
- 2.LungKG는 15개 엔티티·112개 관계 유형의 노드 59,038개·엣지 164,308개로 구성
- 3.KG 제약 추론체인 구성과 KG 유도 강화학습으로 Lung-R1 학습, 환자별 관계 인지 추론 지향
- 4.20개 시스템 평가에서 Lung-R1-14B가 EMR 진단 4.3583점으로 SOTA, 최강 베이스라인 대비 0.1476점 상회
왜 중요한가?
LLM이 폐질환 지식 QA는 잘해도 EMR 근거 기반의 환자별 진단 추론에는 약했던 '지식-진단 격차'를 지식그래프로 메운다. 재사용 가능한 폐질환 지식 자원과 KG 유도 학습을 결합해 임상 의사결정 지원의 신뢰성을 높이는 구체적 접근으로 의료 AI 적용에 실질적 가치를 보인다.
본문 미리보기
arXiv:2606.11675v1 Announce Type: new Abstract: Diagnosing pulmonary diseases requires integrating heterogeneous evidence amid phenotypic variability and cross-disease overlap. Although large language models (LLMs) have shown progress on pulmonary knowledge question answering (QA) and information-processing tasks, reliable pulmonary diagnosis requires patient-specific, relation-aware reasoning over electronic medical record (EMR) evidence rather than isolated knowledge recall. We define this ga
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
