PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2512.17559v2cs.AI

대규모 언어 모델을 활용한 조기 진단을 위한 설명 가능한 대화형 인공지능 연구

Towards Explainable Conversational AI for Early Diagnosis with Large Language Models

전 세계의 의료 시스템은 비효율적인 진단, 비용 증가, 전문의에 대한 제한된 접근성과 같은 문제로 어려움을 겪고 있습니다. 이러한 문제는 종종 치료 지연과 건강 결과 악화로 이어집니다. 기존의 대다수 인공지능 및 심층 학습(deep learning) 기반 건강 평가 시스템은 상호작용성과 투명성이 제한적이어서 사용자 중심의 건강 지원에 대한 유용성을 저하시킵니다. 본 연구에서는 GPT-4o, 검색-증강 생성(RAG), 설명 가능한 AI 기술을 활용하는 대규모 언어 모델(LLM) 기반의 대화형 챗봇을 소개합니다. 이 챗봇은 사용자와의 동적 대화를 통해 증상을 추출 및 정규화하는 동시에, 유사도 매칭과 적응형 질문을 통해 잠재적인 건강 상태를 식별하고 순위를 매깁니다. 또한 사고의 연쇄(Chain-of-Thought) 프롬프팅을 활용하여 시스템 추론 과정에 대한 보다 투명한 설명을 제공합니다. TF-IDF 및 CountVectorizer 특징(feature) 추출을 적용한 Naive Bayes, Logistic Regression, SVM, Random Forest, KNN 등 전통적인 머신러닝 모델(model)과 비교 평가했을 때, 제안된 LLM 기반 시스템은 Top-1 정확도 90%와 Top-3 정확도 100%를 달성했습니다. 아울러 14개 질환 전체에 걸쳐 17명의 의사가 참여한 단면적 전문가 평가를 통해서도 추가 검증을 수행했으며, 그 결과 대화 품질, 조기 진단의 타당성, 안전성 관련 기준에서 대체로 긍정적인 평가를 확인했습니다. 이러한 결과는 초기 증상 평가를 위한 건강 및 웰빙 지원 도구로서 설명 가능한 대화형 AI의 잠재력을 입증합니다. 다만, 제안된 시스템은 임상 진단이나 임상적 의사결정을 목적으로 하지 않으며, 실제 의료 현장에서 사용되기 전에 추가적인 검증(validation)이 필요합니다.