배경 인공지능(AI)은 헬스케어에서 점점 더 많이 사용되고 있으며, 특히 복잡한 의료 질문을 해석하는 데 사용됩니다. 그러나 기존의 AI 모델은 종종 환자 안전을 위협할 수 있는 환각으로 일반적으로 지칭되는 부정확하거나 관련 없는 응답을 생성합니다. 이를 해결하기 위해, 본 연구는 비뇨기과 분야에 맞춘 수정된 검색 강화 생성(RAG) 프레임워크를 도입하여 AI 생성 응답의 맥락적 적합성과 정확성을 향상시킵니다. 방법론 우리는 파인콘 벡터 데이터베이스에 저장된 비뇨기 관련 문헌을 인코딩하고 검색하기 위해 PubMedBERT 임베딩을 통합한 맥락 인식 RAG 시스템을 개발했습니다. 이 시스템은 도메인 특정 쿼리 필터링을 위한 명명된 개체 인식을 사용하고 상호작용 중 맥락 흐름을 유지하기 위해 동적 메모리를 통합합니다. 응답 생성은 LangChain을 통해 LLaMA3-8B 모델로 구동됩니다. 평가를 위해 비뇨기 관련 쿼리의 커스텀 데이터셋이 사용되었으며, Deepseek-R1 모델을 사용한 대형 언어 모델 기반 점수 산출이 이루어졌습니다. 결과 제안된 프레임워크는 환각을 현저히 줄였으며, 응답은 더 맥락적으로 적절하고 증거 기반으로 나타났습니다. 기준 모델에 비해, 우리 시스템은 의학적으로 적절한 답변을 생성하는 데 있어 89%의 성능 향상을 달성했습니다. 메모리 모듈과 명명된 개체 필터링의 통합은 정밀도와 신뢰성을 더욱 향상시켰습니다. 결론 우리 RAG 향상 시스템은 비뇨기과에서 신뢰할 수 있는 맥락 인식 응답을 생성하여 임상적 사용 가능성이 높습니다. 이는 환각 완화 및 도메인 적합성 등 의료 AI의 주요 문제를 해결합니다. 향후 작업은 추론 지연을 줄이고 수동 감독 없이 자동 검증을 개선하는 데 초점을 맞출 것입니다.
Sriram 외 (2025)는 이 질문을 연구하였습니다.