[논문리뷰] End-to-End Agentic RAG System Training for Traceable Diagnostic Reasoning

링크: 논문 PDF로 바로 열기

저자: Qiaoyu Zheng, Yuze Sun, Chaoyi Wu, Weike Zhao, Pengcheng Qiu, Yongguo Yu, Kun Sun, Yanfeng Wang, Ya Zhang, Pengcheng Qiu, Weidi Xie

핵심 연구 목표

본 논문은 기존 RAG(Retrieval-Augmented Generation) 시스템이 의료 진단 분야에서 겪는 한계, 즉 수동적인 프롬프트 엔지니어링, 제한된 피드백 적응, 그리고 불투명한 추론 과정으로 인한 신뢰성 부족 문제를 해결하고자 합니다. 특히 복잡하거나 희귀한 질병 진단 시 LLM의 진단 능력 부족과 추적 가능한 진단 추론(traceable diagnostic reasoning) 의 필요성에 주목합니다.

핵심 방법론

저자들은 Deep-DxSearch 라는 종단 간 RL 기반(end-to-end RL-based) 에이전트 RAG 시스템을 제안합니다. 이 시스템은 대규모 의료 검색 코퍼스 를 활용하며, reason, lookup, match, search, diagnose의 5가지 액션 모드 를 통해 단계별 진단 추론을 수행합니다. 특히 포맷 계수(format coefficient) , 환자 매칭 보상(patient matching reward) , 검색 보상(searching reward) , 진단 보상(diagnosis reward) 으로 구성된 특수 보상 설계 와 다단계 보상 적응 전략 을 통해 RL 정책을 최적화합니다.

주요 결과

Deep-DxSearch 는 훈련 없는 RAG 방식보다 ID/OOD 평가에서 일반 질환에 대해 top-1 정확도 9%/3% , 희귀 질환에 대해 13.5%/5% 향상된 성능을 보였습니다. 또한, 일반 LLM 및 기존 의료 시스템보다 top-1 정확도를 최대 19%/17% (일반 질환) 및 24%/17% (희귀 질환) 향상시키는 뛰어난 성능을 달성했습니다. 보상 설계와 큐레이션된 코퍼스의 효과는 17% 및 22%의 top-1 정확도 향상 을 통해 입증되었으며, 증상 연관성(Symptom Association) Hit@20은 25.79%에서 60.39% 로 크게 개선되었습니다.

AI 실무자를 위한 시사점

이 연구는 의료 진단과 같은 고위험 도메인에서 에이전트 RAG 시스템의 잠재력 을 보여주며, 강화 학습(RL)을 통한 종단 간 최적화 가 수동 프롬프트 엔지니어링의 한계를 넘어설 수 있음을 시사합니다. 추적 가능한 추론 과정 과 OOD(Out-of-Distribution) 데이터에 대한 강력한 일반화 능력 은 실제 임상 환경에서의 적용 가능성을 높입니다. AI 엔지니어는 도메인 특화된 보상 설계 및 맞춤형 코퍼스 구축 이 LLM 기반 시스템의 성능과 신뢰성을 극대화하는 핵심 요소임을 고려해야 합니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.