독성학 의사결정 지원을 위한 진단 추론 학습
Learning Diagnostic Reasoning for Decision Support in Toxicology
급성 다중 물질 중독은 불완전한 섭취 정보와 비특이적 증상에 의존해야 하는 임상의가 상당한 불확실성 속에서 생명을 구하기 위한 신속한 결정을 내려야 하는 상황이다. 이러한 혼란스러운 환경에서 효과적인 진단 추론을 수행하려면 구급대원의 현장 묘사, 신뢰하기 어려운 환자 자가 보고나 기존 병력과 같은 비정형·비의료적 서술을 활력징후 등의 정형 의료 데이터와 융합해야 한다. 대규모 언어 모델(LLM)은 이러한 이질적인 입력을 처리할 잠재력을 보이지만, 이 환경에서는 어려움을 겪으며 환자 병력에만 의존하는 단순한 베이스라인보다 성능이 낮은 경우도 많다. 이를 해결하기 위해 우리는 응급 독성학에 강화학습(RL)을 처음으로 적용한 DeToxR(Decision-support for Toxicology with Reasoning)을 제안한다. 우리는 그룹 상대 정책 최적화(GRPO)로 파인튜닝한 LLM을 기반으로, 14개 물질 클래스에 대한 다중 레이블 예측을 수행하는 견고한 데이터 융합 엔진을 설계한다. 임상 성능 보상을 이용해 모델의 추론을 직접 최적화한다. 다중 레이블 일치도 지표를 보상 신호로 정의함으로써, 모델은 함께 섭취된 물질을 놓치거나 존재하지 않는 독성 물질을 환각으로 생성하면 명시적으로 불이익을 받는다. 우리 모델은 적응을 거치지 않은 기반 LLM과 지도학습 베이스라인을 크게 능가한다. 더 나아가 예비 임상 검증 연구에서, 올바른 독성 물질을 식별하는 데 있어 더 높은 micro-F1(0.644 대 0.473)과 재현율을 달성하여 임상적 이점을 보인다. 이러한 결과는 RL로 정렬된 LLM이 비정형 병원 전 서술과 정형 의료 데이터를 종합하여 고위험 환경에서 의사결정을 지원할 수 있는 가능성을 보여준다.