본 논문은 제한된 환자 정보로부터 장문의 퇴원 지시서를 생성하는 것을 목표로, 강화된 추론 증강 생성(ReinRAG) 모델을 제안합니다. ReinRAG는 의료 지식 그래프에서 추론 경로를 검색하여 LLM에 명시적인 의미적 안내를 제공합니다. 정보 격차를 해소하기 위해 그룹 기반 검색 최적화(GRO)를 제안하여 그룹 정규화된 보상으로 검색 품질을 향상시키고, LLM의 심층 추론을 위한 추론 도약을 장려합니다. 실제 데이터셋에 대한 실험 결과, ReinRAG는 기존 방법보다 임상 효과 및 자연어 생성 지표 모두에서 우수한 성능을 보였습니다. 추가 분석을 통해 ReinRAG가 부족한 입력 상황에서 의미적 격차를 해소하고, 검색된 추론 경로가 핵심 증거에 집중하고 일관된 추론을 따르도록 함으로써 LLM의 임상적 오류 해석을 방지하는 것을 확인했습니다.
