이 발표는 의료 분야에 특화된 지식 그래프 기반의 검색 증강 생성 시스템인 ‘MedGraphRAG’를 제안하며, 사용자 기록, 의학 문헌, 표준 용어 정의를 세 계층으로 구조화하여 답변의 정확성과 근거 추적성을 향상시키는 방법론을 소개합니다.

기존 의료 LLM 및 RAG의 한계점

• 컨텍스트 및 업데이트 한계: 방대하고 지속적으로 갱신되는 의학 지식을 LLM 파라미터나 제한된 컨텍스트 윈도우 내에서 모두 처리 불가
• 출처 추적의 어려움: 기존 일반 RAG 및 GraphRAG는 여러 문서를 단순 검색하여 환자 기록과 참고 문헌이 혼재되고 명확한 출처 및 용어 정의 보장 불가

MedGraphRAG 핵심 설계 (지식 구조 구축 5단계)

• 시맨틱 청킹(Semantic Chunking): 긴 문서를 주제 및 길이 조건에 따라 의미 단위의 짧은 청크로 분할
• 의료 엔티티 추출: 각 청크에서 의료 개념을 이름(Name), 유형(Type), 문맥(Context) 필드로 구조화하여 추출
• 트리플 그래프 구성(Triple Graph Construction): 사용자 기록(환자 맥락), 의학 문헌(근거), UMLS 사전(용어 정의)의 세 계층 간 엔티티를 의미 유사도를 기반으로 연결
• 메타-메드 그래프 생성(Meta-Med Graph): 동일 청크 내 추출된 엔티티들 간의 관계를 방향성 엣지로 연결하여 작은 지식 그래프 구축
• 계층적 태그 요약(Hierarchical Tagging): 복잡한 그래프들을 유사도 기반으로 군집화하여 추상적인 상위 태그부터 구체적인 하위 태그까지 계층화

U-Retrieval (U자형 검색)

• Top-Down 검색: 질문과 유사한 상위 태그에서 시작해 하위 세부 메타-메드 그래프까지 내려가며 가장 밀접한 구체적 근거 확보 (초기 답변 생성)
• Bottom-Up 보완: 검색하며 거쳐온 상위 태그들의 요약 맥락을 다시 반영하여, 초기 답변에 넓은 의료적 맥락을 보완하는 과정

실험 결과 및 성능

• 벤치마크 정확도 향상: 검색 미사용 모델 및 기존 RAG, GraphRAG 대비 의료 QA(PubMedQA 등) 및 팩트 체크에서 가장 우수한 정답률 달성
• 정성적 사례 검증: 복합 질환(COPD+신부전) 및 희귀 질환(FOP) 사례에서 약물 부작용 및 환자 금기 사항을 정확히 고려한 맞춤형 치료법 제시
• 인용 품질 향상: 인간 평가에서 관련성, 의학적 정확성뿐만 아니라 인용 정밀도 및 재현율에서 월등한 평가 기록
• 어블레이션 요인 분석: 데이터의 단순 추가보다 ‘트리플 그래프 구성(세 계층 연결)’ 구조 적용 시 성능 향상폭이 가장 큼을 입증

한계 및 향후 과제

• 임상 안전성 미검증: 벤치마크 중심의 평가로, 실제 병원 환경에서의 환자 안전 결과나 유해성 발생률 미확인
• 시스템 제약 한계: 실시간 연동, 개인정보 보호 장치, 그래프 구축에 소요되는 연산 비용 및 지연 시간(Latency) 최적화 필요
• 파라미터 민감도: 코사인 유사도 임계값(Threshold) 등 하이퍼파라미터 설정에 대한 민감도 분석 부족