Generating Clarifying Questions for Ambiguous Patient Utterances via Diagnostic Knowledge Graphs = 진단 지식 그래프를 활용한 모호한 환자의 발화에 대한 명확화 질문 생성

다국어 초록 (Multilingual Abstract)

To effectively perform differential diagnosis, an automated medical diagnostic system must possess the capability to conduct precise history-taking by asking clarifying questions to the patient. While recent Large Language Models in the medical domain exhibit impressive fluency, they face limitations regarding the scope of inquiry and a lack of factual grounding. To address these challenges, this study proposes a knowledge graph-based diagnostic system capable of generating context-appropriate clarifying questions.
First, we constructed a domain-specific knowledge graph based on a diagnostic schema, structured specifically for differential diagnosis rather than for simple biomedical information retrieval. Our proposed framework integrates a disease classifier and a dynamic subgraph extractor to selectively retrieve relevant clusters of symptoms and diseases based on the dialogue context. This enables the model to perform diagnostic reasoning grounded in explicit medical evidence, allowing it to generate appropriate clarifying questions or reach a final diagnosis. Furthermore, to evaluate the system's adaptability to real-world clinical noise, we employed a persona-based patient simulator that mimics diverse patient characteristics, including varying levels of language proficiency and ambiguity. Experimental results demonstrate that our fine-tuned model significantly outperforms the strong baseline, GPT-4.1-mini, in both diagnostic accuracy and conversational efficiency. Notably, by maintaining robust performance even against noisy patient inputs, we validate the effectiveness of structured knowledge grounding in medical dialogue systems.

국문 초록 (Abstract)

자동화된 의료 진단 시스템이 효과적으로 감별 진단을 수행하기 위해서는, 환자에게 명확화 질문을 던짐으로써 정밀한 문진을 수행하는 능력이 필수적이다. 기존 의료 진단 시스템에서 활용되는 거대 언어 모델은 뛰어난 유창성을 보여주지만, 질문 범위의 한계, 사실적 근거의 부재라는 한계를 가진다. 이러한 한계를 극복하기 위해, 본 연구에서는 상황에 적합한 명확화 질문을 생성할 수 있는 지식 그래프기반의 진단 시스템을 제안한다.
먼저, 단순한 생의학 정보 검색이 아닌 감별 진단에 최적화된 구조를 갖춘 진단 스키마 기반의 도메인 특화 지식 그래프를 구축하였다. 제안하는 프레임워크는 질병 분류기와 동적 서브그래프 추출기를 통합하여, 대화 맥락에 따라 관련된 증상 및 질병 군을 선별적으로 추출한다. 이를 통해 모델은 명시적인 의학적 증거에 기반하여 진단 추론을 수행하여 적절한 명확화 질문을 생성하거나 최종 진단을 내릴 수 있다. 또한, 실제 임상 환경의 노이즈에 대한 시스템의 적응성을 평가하기 위해, 언어 구사 능력과 표현의 모호성 등 다양한 환자 특성을 모사하는 페르소나 기반 환자 시뮬레이터를 도입하였다. 실험 결과, 본 연구에서 파인튜닝한 모델은 강력한 베이스라인인 GPT-4.1-mini와 비교하여 진단 정확도와 대화 효율성 측면에서 모두 월등한 성능을 보였다. 특히 노이즈가 많은 환자 입력에 대해서도 견고한 성능을 유지함으로써, 의료 대화 시스템에서 구조화된 지식 그라운딩의 유효성을 입증하였다.

목차 (Table of Contents)

• Chapter 1. Introduction 1
• Chapter 2. Related Works 5
• Chapter 3. Methodology 7
• 3.1. Disease Classifier 7
• 3.2. Dynamic Subgraph Extractor 9
• 3.3. Doctor Model 9
• 3.4. Knowledge Graph Construction 10
• 3.5. Patient Simulator 12
• Chapter 4. Experiment 14
• 4.1. Dataset 14
• 4.2. Model Training 15
• 4.3. Experiment Setup 16
• Chapter 5. Experiment Results 18
• 5.1. Diagnostic Performance of Doctor Model 18
• 5.2. Analysis of Disease Classifier and Dynamic Subgraph Extractor 20
• 5.3. Robustness Analysis 24
• Chapter 6. Conclusion 28
• 6.1. Summary of Findings 28
• 6.2. Limitations and Future Work 29
• Appendix. 30
• Abstract (In Korean) 38