[논문 리뷰] KG4Diagnosis: A Hierarchical Multi-Agent LLM Framework with Knowledge Graph Enhancement for Medical Diagnosis

Kaiwen Zuo, Yirui Jiang외 2명|arXiv (Cornell University)|2024. 12. 22.

Artificial Intelligence in Healthcare인용 수 9

한 줄 요약

KG4Diagnosis는 자동 지식 그래프 구축과 대형 언어 모델을 연결하는 계층적 다중 에이전트 프레임워크를 제시하여 362개 질환에 걸친 의료 진단을 지원하고, 엔드-투-엔드 KG 생성과 인간의 가이드된 추론을 통해 환각을 억제합니다.

ABSTRACT

Integrating Large Language Models (LLMs) in healthcare diagnosis demands systematic frameworks that can handle complex medical scenarios while maintaining specialized expertise. We present KG4Diagnosis, a novel hierarchical multi-agent framework that combines LLMs with automated knowledge graph construction, encompassing 362 common diseases across medical specialties. Our framework mirrors real-world medical systems through a two-tier architecture: a general practitioner (GP) agent for initial assessment and triage, coordinating with specialized agents for in-depth diagnosis in specific domains. The core innovation lies in our end-to-end knowledge graph generation methodology, incorporating: (1) semantic-driven entity and relation extraction optimized for medical terminology, (2) multi-dimensional decision relationship reconstruction from unstructured medical texts, and (3) human-guided reasoning for knowledge expansion. KG4Diagnosis serves as an extensible foundation for specialized medical diagnosis systems, with capabilities to incorporate new diseases and medical knowledge. The framework's modular design enables seamless integration of domain-specific enhancements, making it valuable for developing targeted medical diagnosis systems. We provide architectural guidelines and protocols to facilitate adoption across medical contexts.

연구 동기 및 목표

• 복잡한 의료 진단을 다루기 위한 전문 지식이 필요한 체계적 프레임워크의 필요성에 대한 동기 부여.
• 의료 지식의 엔드-투-엔드 지식 그래프 구축 파이프라인 개발.
• 강건한 진단 추론을 위한 LLM과 함께 2단 MAS(GP 에이전트 + 전문 컨설턴트) 통합.
• 다중 에이전트 검증과 KG 제약을 통해 LLM 환각 문제 해결.
• 새로운 의학 분야에 적응하기 위한 모듈식 아키텍처와 구현 가이드라인 제공.

제안 방법

• 계층적 진단을 위한 일반의(GP) 에이전트와 도메인별 컨설턴트 LLM을 갖춘 이원 아키텍처를 제안.
• 데이터 청크 분할, 생물학적 BERT(BioBERT)와 온톨로지(SNOMED-CT/UMLS)를 활용한 의미 기반 엔티티/관계 추출, 그리고 LLM 보강 확장을 통한 그래프 구성의 3단계 KG 구축 파이프라인 구현.
• 전문가 평가와 강화 학습을 통한 KG 검증 및 확장에 인간 주도 추론 반영.
• GP-LLM과 컨설턴트-LLMs를 위한 확률적 신뢰도 함수로 진단 추론을 모델링하고, 에이전트 융합 가중치를 통해 최종 진단 계산.
• 질의 전달 및 컨설턴트 피드백으로부터 GP 지식 베이스를 업데이트하기 위한 에이전트 간 통신 프로토콜 사용.
• 뉴럴 컴포넌트용 PyTorch와 KG 관리용 Neo4j를 이용한 모듈식 아키텍처 구현.]
• research_questions:[

실험 결과

연구 질문

• RQ1 의료 AI에서 다층 다중 에이전트 시스템이 환각을 제한하면서 진단 정확도를 how 개선할 수 있는가?
• RQ2 비정형 의료 데이터를 바탕으로 구성된 자동화된 KG가 여러 전문 분야에 걸친 LLM 기반 진단을 향상시킬 수 있는가?
• RQ3 GP 수준의 선별과 도메인 전문 컨설턴트 간의 효율적이고 정확한 진단을 위해 어떤 메커니즘이 가장 잘 작동하는가?
• RQ4 전문가 주도 KG 확장이 의료 추론의 일관성과 신뢰성에 어떤 영향을 미치는가?
• RQ5 새로운 질환과 도메인을 추가할 때 KG4Diagnosis의 확장성 및 적응성은 어느 정도인가?

주요 결과

• 프레임워크는 다층 검증 및 KG 제약을 통해 환각을 해소하고 독립적인 LLM보다 진단 신뢰성을 향상시킵니다.
• 다수의 전문 분야에 걸친 362개 질환을 다루어 계층적 의료 진단의 실용적 범위를 보여줍니다.
• 생물학적 BERT(BioBERT)와 온톨로지 정렬에 의한 의미 기반 추출은 KG 구축을 위한 정확한 엔티티 및 관계 추출을 가능하게 합니다.
• LLM 보강은 도메인별 추출을 넘어 보다 넓은 맥락의 엔티티와 관계를 KG에 확장합니다.
• 새로운 도메인 및 지식의 원활한 통합을 지원하는 모듈식 아키텍처와 평가를 위한 벤치마크의 계획이 제시됩니다.
• GP 에이전트가 전문 에이전트와의 협진을 효율적으로 조정하고 조정하여 불필요한 전 영역 상담을 감소시킬 수 있습니다.