진단링크 전문가와 LLM·지식그래프를 결합한 양사용자 진단 지원 시스템

초록

진단링크는 환자와 의사를 동시에 지원하는 대화형 진단 도우미로, LLM의 자연어 이해와 지식그래프(KG)의 구조화된 의료 지식을 결합한다. 감성적인 가이드 대화를 통해 환자 병력을 수집하고, LLM이 초기 추론을 만든 뒤 KG가 증거 기반 확장을 수행한다. 의사는 시각화된 텍스트‑그래프 인터페이스에서 증거를 검증·보완하며, 전문가 피드백을 통해 KG가 지속적으로 업데이트된다. 사용자 연구와 사례 분석을 통해 진단 효율성·만족도가 향상된 것으로 확인되었다.

상세 분석

진단링크는 세 가지 핵심 요소—대형 언어 모델(LLM), 의료 지식그래프(KG), 그리고 인간 전문가—를 삼위일체로 결합한 하이브리드 시스템이다. 첫 단계에서 환자는 감성적인 가이드 대화를 통해 반구조화된 템플릿에 병력을 입력한다. 이 과정은 기존 온라인 증상 검사기와 달리 사용자의 정서적 부담을 감소시키면서도, 텍스트 데이터를 LLM이 효율적으로 파싱할 수 있도록 설계되었다. LLM은 자체 파라미터 지식과 프롬프트 엔지니어링을 활용해 초기 진단 후보와 근거 문장을 생성한다. 여기서 발생할 수 있는 ‘환각’(hallucination) 문제를 완화하기 위해, 시스템은 KG 기반의 RAG(Retrieval‑Augmented Generation) 모듈을 호출한다. KG는 질병‑증상‑약물 간의 관계를 그래프 형태로 보유하고 있어, LLM이 제시한 후보를 구조화된 엔티티와 매핑하고, 다중 홉 탐색을 통해 추가 연관 질환을 확장한다. 이때 노드 중요도와 연관성에 기반한 순위 매김 알고리즘을 적용해, 의사가 직관적으로 핵심 증거를 파악할 수 있도록 시각화한다.

전문의는 인터페이스 상에서 텍스트와 그래프를 동시에 검토하며, LLM‑KG가 제시한 추론 경로에 대해 ‘중복 검사’와 ‘정합성 검증’ 절차를 수행한다. 검증된 새로운 관계나 최신 임상 가이드는 자동으로 서브그래프 생성 파이프라인을 통해 KG에 삽입되며, 이는 지속적인 지식 진화 메커니즘을 형성한다. 이러한 피드백 루프는 정적 KG가 겪는 최신 의학 지식 반영의 한계를 극복하고, 전문가 주도의 신뢰성을 유지한다.

시스템 평가에서는 통제된 사용자 연구(환자 30명, 의사 15명)와 실제 임상 사례 5건을 활용했다. 결과는 진단 정확도가 기존 OSC(Online Symptom Checker) 대비 평균 12% 상승했으며, 의사의 의사결정 시간은 평균 28% 단축되었다. 또한, 사용성 설문에서 환자와 의사 모두 ‘신뢰감’과 ‘사용 편의성’ 점수가 4.5/5 이상을 기록했다. 한편, 제한점으로는 LLM의 비용·응답 지연, KG 업데이트 시 데이터 품질 관리의 복잡성, 그리고 다국어·다문화 환경에 대한 일반화 가능성이 남아 있다. 향후 연구에서는 경량화된 LLM 배포, 자동화된 품질 검증 파이프라인, 그리고 지역별 의료 데이터와의 연동을 통해 시스템의 확장성을 높일 계획이다.