선택적 UMLS 지식 주입 기반 의료 질의응답 연구

Selective UMLS Knowledge Infusion for Biomedical Question Answering

연구 내용

UMLS 지식을 의료 언어모델에 효율적으로 주입하기 위해 지식 그래프를 분할하고 어댑터로 주입하는 전략을 검증하는 연구

의료 질의응답은 도메인 지식이 필수이므로, 전체 지식 그래프의 의미를 모델 전부에 이전할 때의 파라미터·시간 부담을 줄이는 접근을 수행합니다. 이를 위해 어댑터 기반 구조를 사용해 pretrained language model에 UMLS 지식을 주입하고, 지식 그래프를 의미 단위로 분할한 뒤 일부 개념을 폐기하거나 병합하는 선택적 학습 전략을 적용합니다. 분할 구성에 따라 어댑터 사전학습 효율과 파인튜닝 성능을 함께 평가하여, 데이터 규모와 질의 유형에 대응하는 주입 설계를 도출합니다.

관련 프로젝트

0건

연구 흐름

초기에는 지식 그래프의 전량 이전이 계산 비용과 모델 학습 시간에 불리하다는 한계를 분석하고, 어댑터를 통한 선택적 주입 프레임을 구성했습니다. 이후 UMLS 기반 의미 분할의 설계 규칙을 정하고, 폐기·병합 조합이 효율과 성능에 미치는 영향을 확인했습니다. 다음 단계에서는 분할된 그룹으로 어댑터를 사전학습한 뒤, 여러 biomedical question answering 데이터셋에 적용해 평가 지표와 소요 파라미터 규모를 동시에 비교했습니다. 최근에는 데이터 규모에 따라 폐기와 병합의 적합성을 분류하는 방향으로 확장해 실용적 주입 전략을 정리하는 연구를 수행합니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

의료 질의응답 챗봇
임상 가이드라인 Q&A
증상-질환 설명 생성 보조
의학 용어 정합성 질의
진단/검사 관련 지식 검색
의료 문헌 기반 근거 질의
엔터티 추출 및 개념 매핑
의료 코딩 보조 질의응답
UMLS 기반 지식 추론 모듈
의료 문서 검토용 QA 도구