자동 보고서 라벨링 (Automatic report labeling)은 비정형 텍스트에서 임상적 소견을 식별하는 것을 용이하게 하며, 의료 영상 연구를 위한 대규모 주석 (annotation)을 가능하게 합니다. 기존의 규칙 기반 라벨러 (rule-based labelers)는 임상 보고서의 다양한 설명에 대응하는 데 어려움을 겪는 반면, 사전 학습된 언어 모델 (PLMs)을 미세 조정 (fine-tuning)하는 것은 임상 환경에서 흔히 구할 수 없는 대량의 라벨링된 데이터를 필요로 합니다. 본 논문에서는 저자원 (low-resource) 환경에서의 방사선 (radiology) 보고서 라벨링을 위해 지식 강화형 멀티 라벨 프롬프트 (prompt)-튜닝 접근 방식인 PromptRad를 제안합니다. PromptRad는 멀티 라벨 분류 (multi-label classification)를 마스크 언어 모델링 (masked language modeling)으로 재구성하며, 카테고리 표현을 풍부하게 하기 위해 UMLS Metathesaurus의 유의어들을 멀티 워드 버벌라이저 (multi-word verbalizer)에 통합합니다. 추가적인 분류 레이어 없이 PLM을 미세 조정함으로써, PromptRad는 기존의 미세 조정 방식보다 실질적으로 더 적은 라벨링된 데이터를 필요로 합니다. 간 CT 보고서에 대한 실험 결과, PromptRad는 단 32개의 라벨링된 학습 예시만으로도 사전 기반 (dictionary-based) 및 미세 조정 베이스라인 (baselines)보다 뛰어난 성능을 보였으며, 훨씬 더 작은 모델을 사용함에도 불구하고 GPT-4와 경쟁력 있는 성능을 달성했습니다. 추가 분석을 통해 PromptRad가 기존 방법들보다 복잡한 부정 패턴 (negation patterns)을 더 효과적으로 포착함을 입증하였으며, 이는 데이터가 부족한 임상 시나리오에서의 보고서 라벨링을 위한 유망한 솔루션임을 보여줍니다. 저희의 코드는 https://github.com/ila-lab/PromptRad 에서 확인할 수 있습니다.