1. 문제 정의 (Problem)

대형 언어 모델 (LLM) 은 의료 분야에서 혁신적인 잠재력을 보이고 있지만, 현재 개발 및 학습 데이터는 주로 고자원 언어 (High-resource languages, 특히 영어) 에 집중되어 있습니다. 이로 인해 다음과 같은 심각한 문제가 발생합니다.

• 언어 및 문화적 편향: 단순 번역은 endemic disease(풍토병) 와 같은 지역 특유의 의학적 맥락이나 문화적 뉘앙스를 포착하지 못합니다.
• 데이터 부재: 브라질 포르투갈어와 같은 주요 언어권에서는 환자 - 의사 간의 실제 대화 기반의 대규모 의료 질의응답 (QA) 데이터가 부족합니다.
• 기존 데이터의 한계: 기존 포르투갈어 의료 데이터는 대부분 병원 기록 (Formal clinical text) 에 국한되어 있어, 환자가 자발적으로 제기하는 개방형 질문과 자연스러운 대화 맥락을 반영하지 못합니다.

2. 방법론 (Methodology)

저자들은 브라질 포르투갈어 의료 도메인을 위한 첫 번째 대규모 실세계 코퍼스인 MedPT를 구축하기 위해 다음과 같은 다단계 프로세스를 적용했습니다.

2.1 데이터 수집 (Data Acquisition)

• 소스: 브라질에서 널리 사용되는 온라인 플랫폼 'Doctoralia'에서 수집.
• 특징: 인증된 의사가 답변하는 실제 환자 - 의사 상호작용 데이터. 모든 질문은 익명화되어 있으며, 풍토병 (뎅기열, 치가스병 등) 과 지역적 건강 문제를 포함합니다.
• 초기 규모: 약 200 만 개의 원시 샘플 수집.

2.2 데이터 정제 및 큐레이션 (Data Cleaning & Curation)

• 중복 제거: 플랫폼 설계상 하나의 질문이 여러 진료과목에 연결되는 중복 데이터를 제거하여 393,143 개의 고유 항목으로 축소.
• 텍스트 정규화: HTML 태그, URL, 특수 문자 제거 및 불필요한 공백 제거.
• 열별 (Column-specific) 정제:
  • 질문 (Question): 문맥이 부족한 짧은 질문 (3~9 토큰) 의 경우, 해당 '조건 (Condition)'을 앞에 추가하여 질문을 독립적으로 완결되게 만듦 (7,178 건).
  • 답변 (Answer): 10 토큰 미만의 무의미한 답변이나 1,000 토큰을 초과하는 일반 정보성 글 제거. 유효한 토큰 수 범위 (10~1,000) 적용.
  • 조건 및 진료과목: 오류가 있는 데이터 및 비전문가 관련 데이터 제거.
• 최종 규모: 384,095 개의 고품질 질문 - 답변 쌍 (약 5700 만 토큰).

2.3 질문 유형 주석 (Question-Type Annotation)

• 목적: 사용자의 의도 (User Intent) 를 세분화하여 모델 학습의 정확도를 높임.
• 도구: gpt-oss-120b LLM 을 활용하여 자동 주석.
• 7 가지 범주:
  1. 해부학 및 생리학 (Anatomy and Physiology)
  2. 의료 전문가 선택 (Choosing Healthcare Professionals)
  3. 진단 (Diagnosis)
  4. 역학 (Epidemiology)
  5. 건강한 생활습관 (Healthy Lifestyle)
  6. 치료 (Treatment)
  7. 기타 (Other)

3. 주요 기여 (Key Contributions)

1. MedPT 데이터셋 공개: 브라질 포르투갈어 의료 도메인 최초의 대규모 실세계 환자 - 의사 상호작용 코퍼스 (384,095 쌍, 3,200 개 이상의 질병, 104 개 진료과목).
2. 하이브리드 큐레이션 프로토콜: 통계적 분석 (양적) 과 수동 검토 (질적) 를 결합한 엄격한 데이터 정제 과정을 통해 노이즈를 제거하고 문맥을 풍부하게 함.
3. 의도 분류 레이블: 7 가지 의미론적 유형으로 분류된 사용자 질의 데이터 제공.
4. 오픈 소스 공개: Hugging Face 를 통해 공개하여 포르투갈어권 의료 기술의 형평성과 정확성 향상을 지원.

4. 실험 결과 (Results)

MedPT 의 유효성을 검증하기 위해 의료 전문의 분류 (Medical Specialty Classification) 태스크에서 벤치마크를 수행했습니다. (모델: Qwen3 1.7B)

• 실험 설정: Top 5, Top 10, Top 20 개의 가장 빈번한 진료과목으로 분류 태스크 수행.
• 성능 비교:
  • Zero-Shot: 기본 모델의 성능은 낮음 (Top-20 기준 F1-Score 0.60).
  • Few-Shot (In-Context Learning): 3-shot 예시 제공 시 성능이 크게 향상 (F1-Score 0.73). 5-shot 이상에서는 체감 효과 감소.
  • Fine-Tuning: MedPT 로 파인튜닝한 모델은 Top-20 분류에서 94% (0.94) 의 F1-Score를 기록하여 압도적인 성능을 보임.
• 오류 분석: 모델의 오분류는 무작위가 아니라, 임상적으로 유사한 질환 (예: 불안과 우울증, 탈장 유형 간) 간의 실제적인 모호성에서 비롯됨. 이는 데이터셋이 심층적인 의미론적 풍부함을 가지고 있음을 증명.

5. 의의 및 결론 (Significance)

• 문화적·역학적 중요성: 단순 번역이 아닌, 현지 풍토병과 문화적 뉘앙스를 반영한 원어민 기반 데이터를 제공함으로써, 고자원 언어 중심의 의료 AI 편향을 해소합니다.
• 실용성: 1.7B 파라미터 모델로도 94% 의 높은 정확도를 달성하여, 컴퓨팅 자원이 제한된 환경에서도 고품질 의료 AI 개발이 가능함을 입증했습니다.
• 미래 전망: 의료 질의응답, 환자 의도 분류, 의사 - 환자 대화 분석 등 다양한 다운스트림 태스크의 기초 데이터셋으로 활용될 수 있으며, 포르투갈어권 의료 시스템의 디지털 전환과 형평성 있는 의료 접근성 향상에 기여할 것입니다.

이 논문은 저자원 언어 (Low-resource language) 의료 NLP 의 격차를 해소하고, 지역적 맥락이 반영된 신뢰할 수 있는 의료 AI 개발의 새로운 기준을 제시한다는 점에서 중요한 의의를 가집니다.