[논문 리뷰] Retrieval-Augmented Generation for Generative Artificial Intelligence in Medicine

Rui Yang, Yilin Ning외 7명|arXiv (Cornell University)|2024. 06. 18.

Machine Learning in Healthcare인용 수 6

한 줄 요약

이 논문은 검색 보강 생성(RAG)을 활용하여 외부 지식을 활용해 의료 분야의 생성 AI의 정확성, 신뢰성, 개인화를 향상시키는 방법을 다룬다.

ABSTRACT

Generative artificial intelligence (AI) has brought revolutionary innovations in various fields, including medicine. However, it also exhibits limitations. In response, retrieval-augmented generation (RAG) provides a potential solution, enabling models to generate more accurate contents by leveraging the retrieval of external knowledge. With the rapid advancement of generative AI, RAG can pave the way for connecting this transformative technology with medical applications and is expected to bring innovations in equity, reliability, and personalization to health care.

연구 동기 및 목표

• 완전한 생성 모델의 한계에 대응하기 위해 의학 AI를 위한 검색-강화 생성(RAG)의 사용을 촉진한다.
• 의료 맥락에서 외부 지식 검색이 콘텐츠의 정확성과 신뢰성을 어떻게 향상시킬 수 있는지 강조한다.
• 의료 분야에서 형평성, 신뢰성, 개인화에 미치는 RAG의 잠재적 영향을 논의한다.

제안 방법

• 생성 AI를 외부 의학 지식 소스와 연결하기 위해 Retrieval-augmented generation(RAG)의 사용을 제안한다.
• 콘텐츠 정확성 및 근거 제시를 개선하는 데 있어 검색의 역할을 논의한다.
• 의료 응용에 RAG를 통합할 때의 잠재적 이점과 과제를 개략적으로 제시한다.

실험 결과

연구 질문

• RQ1 의료에서 검색-강화 생성(RAG)이 생성 AI의 정확성과 신뢰성을 어떻게 향상시킬 수 있는가?
• RQ2 형평성, 신뢰성, 개인화 측면에서 의료 AI에 RAG를 적용하는 잠재적 이점과 과제는 무엇인가?
• RQ3 외부 지식 검색이 의학 AI 출력에 어떤 방식으로 개선을 가져올 수 있는가?

주요 결과

• RAG는 의료 맥락에서 생성 AI의 한계에 대한 잠재적 해결책으로 제시된다.
• 검색 가능 접근 방식은 의료의 형평성, 신뢰성 및 개인화에 기여할 수 있다.
• 본 연구는 RAG를 통한 생성 AI의 발전과 의료 응용 간의 연결을 논의한다.