대규모 언어 모델 (LLMs)은 의료 질의응답 (QA)을 포함한 광범위한 생물 의학 응용 분야에서 유망한 성능을 보여주었으나, 여전히 환각 (hallucinations) 현상과 오래된 지식 문제에 취약합니다. 검색 증강 생성 (RAG)은 외부 문서를 통합함으로써 이 문제를 완화할 수 있지만, 여전히 두 가지 근본적인 한계가 존재합니다. 첫째, 의료 지식은 종종 문서 전반에 걸쳐 파편화되어 있는 반면, 대부분의 RAG 방식은 단일 검색 경로에 의존하므로 세밀한 의미론적 정보 (fine-grained semantic information)와 구조화된 전역적 연관성 (structured global associations)을 동시에 보존하기 어렵습니다. 둘째, 정적인 검색 전략은 복잡한 의료 QA에서 중요한 심층 추론 (deep reasoning)을 지원하기에 일반적으로 불충분합니다. 본 논문에서는 복잡한 의료 QA를 위해 "Hybrid-IR"이라 명명된 반복적 검색-추론 메커니즘을 갖춘 이중 경로 검색 프레임워크를 제안합니다. 제안된 Hybrid-IR은 구조화된 지식 탐색을 위한 그래프 기반 검색 (graph-based retrieval)과 세밀한 의미론적 매칭을 위한 밀집 검색 (dense retrieval)을 통합합니다. 또한, 추론 궤적 (reasoning trajectory)은 반복적인 검색-추론 루프 (retrieve-reason loop)를 통해 점진적으로 개선될 수 있습니다. 널리 사용되는 세 가지 의료 QA 벤치마크에 대한 실험을 통해 Hybrid-IR의 효과를 입증합니다.