본 논문은 임상 진단 자동화에 대한 대규모 언어 모델(LLM)의 잠재력을 탐구하지만, 투명성 부족과 진단 표준과의 불일치로 인한 신뢰 및 임상 적용의 어려움을 해결하기 위해 두 단계의 진단 프레임워크를 제안합니다. 첫째, DSM-5 기준에 근거한 증거 추출과 논리적 추론을 결합하여 구조화된 진단 가설을 생성하는 Evidence-Guided Diagnostic Reasoning (EGDR)을 소개합니다. 둘째, Knowledge Attribution Score (KAS)와 Logic Consistency Score (LCS)라는 두 가지 해석 가능한 메트릭을 통해 생성된 진단의 사실적 정확성과 논리적 일관성을 평가하는 Diagnosis Confidence Scoring (DCS) 모듈을 제안합니다. D4 데이터셋에서 평가한 결과, EGDR은 다양한 LLM에서 직접적인 문맥 내 프롬프팅 및 Chain-of-Thought (CoT) 방식보다 우수한 성능을 보였습니다.
