LLM 기반 임상 그래프 구조 정제자: EEG 발작 진단에서의 표현 학습 향상

요약

본 논문은 노이즈로 인해 그래프 구조가 왜곡되기 쉬운 EEG 발작 진단 분야에서, 대규모 언어 모델(LLM)을 활용하여 임상 그래프를 정제하는 새로운 프레임워크를 제안합니다. 이 방법론은 LLM의 강력한 추론 능력을 이용해 중복되거나 관련 없는 엣지를 식별하고 제거함으로써 그래프 표현의 품질을 높입니다. 그 결과, 기존 대비 향상된 발작 감지 정확도와 더 해석 가능한 임상 그래프 구조를 제공함을 TUSZ 데이터셋 실험을 통해 입증했습니다.

핵심 포인트

• EEG 신호 기반 그래프 구성은 노이즈 문제로 인해 중복되거나 관련 없는 엣지를 포함하여 표현 품질 저하가 발생한다.
• LLM의 추론 능력을 활용하여 그래프 엣지 정제자(refiner)를 구축함으로써, 임상 데이터의 구조적 오류를 효과적으로 수정할 수 있다.
• 제안된 프레임워크는 초기 그래프 생성 단계와 LLM 기반의 정보에 기반한 2단계 정제 과정을 거쳐 견고성을 확보한다.
• 실험 결과(TUSZ 데이터셋)에 따르면, 이 LLM 정제 그래프 학습 방식은 발작 감지 성능을 향상시키고 해석 가능한 그래프 표현을 제공한다.