LLM(대규모 언어 모델)과 지식 그래프, 멀티모달 시각화를 결합해 한의학 진단 과정의 투명성과 해석 가능성을 높이는 시스템이 제안됐다. 기존 AI 기반 한의학 진단 도구들이 추론 과정이 불투명하고 상호작용이 수동적이며 치료 계획 제시 방식이 제한적이라는 문제를 안고 있다는 인식에서 출발한 연구다.
연구팀이 구축한 시스템의 핵심은 241개 증후, 1,263개 증상, 2,485개 관계를 담은 Neo4j 기반 지식 그래프다. 증상 매칭은 정확 일치, 의미 유사도, 퍼지 매칭, LLM 검증의 4단계 파이프라인으로 처리되며, 유전 알고리즘으로 최적화된 정보 이득 기반 능동 질문 전략이 진단 흐름을 이끈다. 치료 계획은 AI 생성 일러스트, 3차원 경락·혈자리 모델, 근거 중심 문헌을 통합한 멀티모달 방식으로 제시된다.
실험 결과, 지식 그래프 제약을 적용했을 때 비표준 출력이 32% 감소했다. 30개 사례를 대상으로 한 자동 쌍비교 평가에서는 진단 신뢰도(Cohen’s d = 1.82, p < 0.001)와 근거 신뢰성 점수(4.21 대 2.95)가 통계적으로 유의한 수준으로 높아졌고, 인지 부하는 5개 측정 항목 중 4개에서 개선됐다. 시스템은 환자 자가 진단, 임상의 보조 진단, 한의학 교육 등 세 가지 시나리오에서 검증됐다.
의료 분야에서 LLM 활용이 빠르게 늘고 있지만, 근거 없이 그럴듯한 답을 만들어내는 환각(hallucination) 문제는 진단 보조처럼 안전이 중요한 영역에서 가장 큰 걸림돌로 꼽힌다. 이번 연구가 택한 방식은 모델이 자유롭게 출력하도록 두지 않고, 검증된 지식 그래프라는 외부 제약 안에서만 답을 생성하도록 묶는 것이다. 이렇게 하면 모델이 의학적으로 정의되지 않은 표현을 내놓을 여지가 줄어들어, 임상 현장에서 요구되는 표준화와 추적 가능성을 어느 정도 확보할 수 있다.
이 연구는 LLM이 전통 의학 지식 체계와 결합할 때 신뢰성 확보가 핵심 과제임을 보여준다. 특히 지식 그래프 기반 제약이 LLM의 비표준 출력을 억제하는 효과적인 방법임을 실증했다는 점에서, 한의학뿐 아니라 전통 의학 전반의 AI 보조 진단 시스템 설계에 시사점을 준다.
저작권자 © STORIUM 무단전재 및 재배포 금지
