본 논문은 제한된 환자 정보로부터 장문의 퇴원 지침을 생성하는 것을 목표로, 강화된 추론 증강 생성(ReinRAG) 모델을 제안합니다. ReinRAG는 사전 정보를 기반으로 의료 지식 그래프에서 추론 경로를 검색하여 LLM에 명시적인 의미적 지침을 제공합니다. 정보 격차를 해소하기 위해 그룹 기반 검색 최적화(GRO)를 제안하여 그룹 정규화된 보상으로 검색 품질을 향상시키고, LLM의 더 깊은 추론을 위한 추론 도약을 장려합니다. 실제 데이터셋에 대한 종합적인 실험을 통해 ReinRAG가 기준 모델보다 임상 효과 및 자연어 생성 지표 모두에서 우수한 성능을 보임을 확인했습니다. 추가 분석 결과, ReinRAG는 부족한 입력 시나리오에서 의미적 격차를 해소하고, 검색된 추론 경로는 핵심 증거에 집중하고 일관된 추론을 따름으로써 LLM의 임상적 오류 해석을 방지하는 데 도움이 됨을 보여줍니다.
