시퀀셜 진단을 위한 비용-aware 지식 강화 다중 agent 프레임워크: GraphDx

아카이브: 2607.15280v1 발표 형식: 새로운 요약: 순차적 진단은 반드시 진단 정확도와 자원 비용을 균형있게 유지하기 위해 반복적인 정보 수집을 통해 달성해야 합니다. 현재 대규모 언어 모델(LLM) 접근 방식은 지식-사고 격차를 보입니다: 광범위한 의학 지식을 인코딩함에도 불구하고, 자원 제약하에 논리적으로 사고하기 어려워 초과 테스트를 자주 하게 됩니다. 우리는 GraphDx라는 지식 향상된 프레임워크를 제안하는데, 두 가지 핵심 혁신이 있습니다. 첫째, 우리는 LLM을 사용하여 Medical Diagnosis Knowledge Graphs(MDKGs)가 quantized typicality, action-centric topology, 그리고 diagnostic relevance와 cost-sensitivity를 위한 dual-objective attributes를 갖도록 자동 PIPELINE을 설계합니다. 둘째, 우리는 세 개의 협력 agent(Perception, Reasoning, Decision)를 도입하는데, Perception 및 Decision Agent는 언어 이해 및 생성을 처리하고, Reasoning Agent는 MDKG에서 deterministic evidence scoring와 cost-aware planning을 수행합니다. MedQA 및 MIMIC-IV에서 DeepSeek-V3, Kimi-k2, Llama-3.3의 세 가지 LLM 백본에서 실험을 수행한 결과, GraphDx는 진단 성공률을 50--68%에서 79--93%로 향상시키면서 테스트 비용을 20--54%까지 줄입니다. 이는 대규모 언어 모델(LLM) 기반 자동 임상 진단을 위한 강력한, 경제적, 그리고 해석 가능한 해결책을 제공합니다.