PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.24371v1cs.CL

의료 상호운용성을 위한 폐루프 검증-수리: 임상 LLM의 스키마 준수에 관한 다중 모델 연구

Closed-Loop Validation-Repair for Healthcare Interoperability: A Multi-Model Study of Schema Compliance in Clinical LLMs

의료 상호운용성을 위해서는 AI 시스템이 진단 코딩을 위한 ICD-10, 시술 청구를 위한 CPT, 데이터 교환을 위한 HL7 FHIR 등 표준화된 스키마에 부합하는 구조화된 출력을 생성해야 한다. 대규모 언어 모델(LLM)은 임상 추론(clinical reasoning) 능력을 보여주지만, 전자 건강 기록(EHR) 시스템에 통합할 때 스키마 비준수라는 중요한 장벽에 직면한다. Qwen2.5 7B, Llama 3.1 8B, Gemma2 9B의 세 가지 오픈소스 모델을 10개 의료 전문 분야에 걸친 320개의 임상 시나리오에서 로컬 배포를 통해 평가하였으며, 기준선 및 검증-수리 조건 하에서 평가된 960개의 모델-시나리오 쌍을 도출하였다. 첫째, 스키마 비준수는 세 모델 계열에서 일관되게 나타났으며, 아키텍처와 학습 데이터가 달라도 기준선 준수율은 85.9%에서 91.6% 범위였다. 이는 모델별 한계라기보다 의료 학습 말뭉치의 공통된 공백을 시사한다. 둘째, 검증기가 탐지한 실패의 96%는 대체 의료 약어 및 코드 접두사와 같은 표현 수준의 형식 위반이었으며, 이는 모델이 임상 작성 관습은 따르지만 의료 IT 표준에 대한 인식이 부족함을 나타낸다. 셋째, 검증-수리 프레임워크는 전체 준수율 99.0%를 달성했으며, 모델별로 98.4%에서 99.4% 범위였고, 대부분의 오류는 한두 번의 반복 내에 해결되었다. 0.001 미만의 정확한 McNemar p-value와 모델 크기에 걸친 7.8~12.5%p의 절대 개선은 통계적 유의성을 확인한다. 이러한 결과는 폐루프 검증-수리가 의료 상호운용성을 위한 효과적인 시스템 수준의 안전장치이며, 하류 임상 시스템 통합을 위한 스키마 수준의 준비도를 향상시킨다는 점을 뒷받침한다.

arXiv:2605.30295v3cs.CL

MedCase-Structured: A Text-to-FHIR Dataset for Benchmarking Diagnostic Reasoning in Clinically Realistic EHR Settings

비정형 임상 텍스트를 HL7 FHIR R4 번들로 변환하는 재사용 가능한 파이프라인을 제안하고, 이를 MedCaseReasoning 데이터셋에 적용해 1,732개의 용어 기반 합성 FHIR 번들로 구성된 MedCase-Structured를 구축했다. 평가 결과, 대규모 언어 모델(LLM)이 일반 텍스트 대비 구조화된 FHIR 입력에서 진단 정확도가 일관되게 낮아짐을 확인하여, 실제 임상 배포 환경에 정렬된 벤치마킹의 중요성을 강조한다.

arXiv:2606.20776v1cs.SE

의료 사물인터넷(Medical IoT) 환경에서 구조화 데이터 변환을 위한 형식 검증 코드 합성

Formally Verified Code Synthesis for Structured Data Translation in a Medical Internet of Things

의료 사물인터넷(Medical IoT) 환경의 구조화 데이터 변환을 위해 LLM 기반 진화적 코드 합성 파이프라인에 PVS 정리증명기를 통한 형식 검증 단계를 통합해, 생성 코드가 JSON-FHIR 스키마 요구를 반드시 만족하도록 보장한다. 펄스 옥시미터 통합 사례에서 기기 JSON 스키마와 FHIR 간 형식 검증된 변환을 낮은 API 비용으로 일관되게 생성할 수 있음을 실험으로 확인했다.