Medical Reasoning in the Era of LLMs: A Systematic Review of Enhancement Techniques and Applications
작성자
카테고리
Empty
저자
Zizhan Ma, Wenxuan Wang, Meidan Ding, Shiyi Zheng, Shengyuan Liu, Jie Liu, Jiaming Ji, Linlin Shen, Yixuan Yuan, Wenting Chen
💡 개요
대규모 언어 모델(LLM)의 의료 분야 적용이 증가하고 있지만, 임상 진료의 핵심인 체계적이고 투명하며 검증 가능한 추론 능력에는 여전히 중요한 격차가 존재합니다. 본 논문은 이러한 격차를 해소하기 위해 훈련 시간 전략과 테스트 시간 메커니즘으로 분류되는 추론 강화 기법에 대한 최초의 체계적인 검토를 제공합니다. 60여 편의 연구 분석을 통해 LLM 기반 의료 추론의 현재 기술, 적용 분야, 평가 방법론을 탐구하고 주요 도전 과제와 미래 연구 방향을 제시합니다.
🔑 시사점 및 한계
•
LLM이 단순히 답변을 생성하는 것을 넘어, 임상 진료에 필수적인 체계적이고 투명하며 검증 가능한 추론 능력을 갖추도록 하는 연구의 중요성이 부각됩니다.
•
훈련 시간 및 테스트 시간 전략을 포함한 다양한 추론 강화 기법들이 텍스트, 이미지, 코드 등 다중 모달리티와 진단, 교육, 치료 계획 등 주요 임상 응용 분야에 적용되고 있습니다.
•
신뢰도-타당도 간극(faithfulness-plausibility gap) 해소 및 네이티브 멀티모달 추론 능력 확보와 같은 중요한 도전 과제가 남아 있으며, 효율적이고 견고하며 사회기술적으로 책임 있는 의료 AI 개발을 위한 노력이 필요합니다.