PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.09030v2cs.LG

TRIAGE: 불규칙하게 샘플링된 의료 시계열에서의 설명 가능한 위험 예측을 위한 대규모 언어 모델(LLM)의 변증법적 추론

TRIAGE: Dialectical LLM Reasoning for Explainable Risk Prediction on Irregularly Sampled Medical Time Series

전자의무기록의 불규칙하게 샘플링된 의료 시계열(ISMTS)을 기반으로 구축된 임상 조기 경보 시스템은 환자 분류(triage)를 위한 연속적인 위험 점수뿐만 아니라 임상의가 검증할 수 있는 해석 가능한 근거도 제공해야 합니다. 대규모 언어 모델(LLM)은 출력 확률에서 위험도를 도출하고 의료 지식에서 근거를 도출할 수 있어 두 가지 목적 모두에 고유하게 적합합니다. 그러나 기존의 LLM 추론은 점진적인 위험도를 과도하게 확신하는 예측으로 축소시켜, 환자 분류의 기본이 되는 환자 간 비교 가능성을 훼손한다는 점을 발견했습니다. 저자들은 이러한 실패 모드를 '위험 양극화(risk polarization)'라 명명하고, 단일 결과에 대한 조기 확정과 해당 결과에 대한 증거에만 집중하는 편향된 추론이라는 두 가지 근본적인 행동을 확인했습니다. 이를 해결하기 위해 저자들은 결과별 근거를 이끌어냄으로써 경쟁하는 임상 결과들에 대해 LLM이 변증법적으로 추론하도록 훈련하는 프레임워크인 TRIAGE를 제안합니다. 이러한 변증법적 구성은 위험 양극화를 완화하여 단일 LLM이 명시적인 임상 근거와 환자 간 비교 가능한 위험 점수를 함께 제공할 수 있도록 합니다. 5개의 ISMTS 벤치마크 전반에서 TRIAGE는 경쟁력 있는 LLM 기반 기준선(baseline) 대비 평균 AUPRC를 17.0% 향상시키고 평균 캘리브레이션 오차를 82.8% 감소시켰으며, 가장 강력한 ISMTS 기준선보다 평균 AUPRC에서 3.5% 앞섰습니다.