하이브리드 검색 강화 생성 프레임워크를 통한 LLM 기반 의료 질문 응답 향상

의료 분야는 지식 집약적이고 빠르게 확장되기 때문에, 임상 의사와 의대생이 연구 결과를 정확하게 종합하고 해석하는 것이 큰 도전으로 남아 있습니다. 대형 언어 모델(LLMs)은 자동 요약 또는 생성 응답에 진전을 이루었으나, 환각 현상, 최신 지식 부족 및 도메인 적응의 한계로 인해 적용이 제한됩니다. 검색 강화 생성(RAG)은 LLM을 외부 지식 기반에 근거하게 하여 이러한 문제를 해결합니다. 그러나 문서 코퍼스가 확장됨에 따라 RAG의 정확성 유지가 점점 어려워져, 문맥적 관련성을 위한 검색기의 역할이 중요해집니다. 본 논문에서는 희소 검색(BM25)과 밀집 검색(MedCPT)을 결합한 하이브리드 검색 전략을 사용하는 모듈형 RAG 프레임워크의 효율성을 연구하여, 코퍼스에서 가장 관련성 높은 문서를 추출하고 이를 LLM에 문맥적 근거로 제공해 의료 응답을 개선하였습니다. 평가는 PubMedQA, MedMCQA, MedQA-US의 세 가지 벤치마크 의료 데이터셋과 두 개의 LLM인 GPT-4o와 BioGPT를 사용해 진행되었습니다. 성능은 검색 지표(문맥 정밀도, 문맥 재현율, F1 점수)와 생성 지표(BERTScore, RAG 평가 점수)로 평가하였습니다. 하이브리드 검색기는 92.14% 재현율, 74.36% 정밀도, 82.30% F1 점수를 달성했습니다. 하이브리드 검색을 적용한 GPT-4o는 PubMedQA에서 89.4% 충실도, 82.7% 답변 관련성, 88.0% F1BERT 점수를 기록했습니다. 결과는 모듈형 아키텍처 내 하이브리드 검색이 검색 효율성과 응답 품질을 크게 향상시킨다는 것을 보여줍니다. 제안하는 연구는 유연한 검색기 통합과 강건한 평가를 지원하여 투명한 QA 시스템 발전을 위한 확장 가능하고 일반화 가능한 해결책을 제공하며, 고위험 의료 응용 분야에 적합합니다.