Hybrid-Code v2: Zero-Hallucination Clinical ICD-10 Coding via Neuro-Symbolic Verification and Automated Knowledge Base Expansion

1. 문제 정의 (Problem Definition)

자동화된 임상 ICD-10 코딩은 의료 운영, 보상 청구, 역학 연구의 핵심 요소이나, 현재까지 세 가지 상충되는 목표를 달성하는 데 어려움이 있었습니다.

• Coverage (포괄성): 임상 개념의 가능한 모든 코드를 할당해야 함.
• Precision (정확도): 할당된 코드가 정확해야 함.
• Zero Hallucination (환각 제로): 존재하지 않거나 임상적으로 불가능한 코드를 생성해서는 안 됨.

기존 접근법의 한계:

• 신경망 기반 모델 (Neural Approaches): ClinicalBERT, BioBERT, GPT-4 등은 높은 포괄성과 정확도를 보이지만, 할루시네이션 (Hallucination) 이 발생하여 유효하지 않은 코드를 생성할 위험이 있습니다. 이는 환자 안전과 청구 사기에 치명적입니다.
• 규칙 기반 시스템 (Rule-based Systems): 할루시네이션이 전혀 없으나, 수동으로 지식을 구축해야 하므로 확장성이 떨어지고 포괄성이 낮습니다.

이 논문은 신경망의 유연성과 상징적 시스템의 안전성을 결합하여, Type I 할루시네이션 (문법적으로 유효하지 않은 코드 생성) 을 구조적으로 0% 로 억제하면서도 높은 포괄성과 정확도를 유지하는 솔루션을 제시합니다.

2. 방법론 (Methodology)

Hybrid-Code v2는 두 단계로 구성된 신경 - 상징적 (Neuro-Symbolic) 아키텍처를 사용합니다.

2.1 자동화된 지식베이스 (KB) 확장 (Automated KB Expansion)

규칙 기반 시스템의 확장성 문제를 해결하기 위해, 레이블이 없는 임상 텍스트에서 유효한 코딩 패턴을 자동으로 추출하고 검증합니다.

• 패턴 추출:
  • 어휘 패턴 (Lexical Patterns): 명시적인 코드 언급 (예: "ICD-10: J18.9") 을 추출.
  • 신경 패턴 매칭: BioMistral-7B 와 같은 신경 모델을 사용하여 임상 개념과 코드 설명 간의 임베딩 유사도를 계산하여 암묵적인 패턴을 발견.
• 다중 계층 검증 (Multi-Layer Verification): 추출된 (개념, 코드) 쌍이 KB 에 통합되기 전 5 단계 검증을 통과해야 합니다.
  1. 형식 검증 (Format): 코드가 공식 ICD-10 코드북에 존재하는지 확인 (Type I 할루시네이션 제거의 핵심).
  2. 증거 검증 (Evidence): 임상 문서에 해당 코드를 지지하는 명시적 텍스트 증거가 있는지 확인.
  3. 부정 검증 (Negation): "없음 (no)", "배제됨 (ruled out)" 등의 부정 표현이 있는지 확인.
  4. 시간적 검증 (Temporal): 현재 상태인지 과거/미래 상태인지 구분.
  5. 배제 검증 (Exclusion): ICD-10 배제 규칙 (Excludes1/2) 에 위배되지 않는지 확인.
• 데이터 기반 우선순위 지정: 임상 데이터에서 빈도가 높은 코드를 먼저 확장하여 임상적 영향을 극대화합니다.

2.2 런타임 코딩 (Runtime Coding)

• 후보 생성: 임상 문서에 대해 KB 기반 추출과 신경망 (BioMistral-7B) 을 통한 생성을 병행하여 후보 코드를 생성합니다.
• KB 검증: 생성된 모든 후보 코드는 확장된 KB 와 5 단계 검증 계층을 통과해야만 최종 할당됩니다. 이 과정에서 Type I 할루시네이션이 구조적으로 차단됩니다.

3. 주요 기여 (Key Contributions)

1. Type I 할루시네이션 제거 보장: 신경 - 상징적 아키텍처를 통해 공식 ICD-10 코드북에 존재하지 않는 코드가 절대 출력되지 않도록 설계했습니다. 이는 대규모 임상 코딩 시스템에서 구조적으로 안전을 보장한 최초의 사례 중 하나입니다.
2. 자동화된 KB 확장 메커니즘: 수동 큐레이션 없이도 원거리 감독 (distant supervision) 을 통해 KB 를 확장했습니다. 초기 38 개 규칙 기반 대비 40% 의 포괄성 향상을 달성했으며, 200 개 샘플 감사에서 82% 의 확장 정확도를 입증했습니다.
3. 안전성과 성능의 동시 달성: 신경망 모델의 할루시네이션 위험을 제거하면서도, 기존 신경망 모델과 경쟁할 수 있는 포괄성 (85%) 과 정밀도 (88%) 를 유지했습니다.
4. 종합적인 실증 평가: MIMIC-III 데이터셋 5,000 건에 대해 ClinicalBERT, BioBERT, 규칙 기반 시스템, GPT-4 와 비교 평가하고 통계적 유의성 (p < 0.001) 을 입증했습니다.

4. 실험 결과 (Experimental Results)

MIMIC-III 데이터셋 (n=5,000) 에서의 주요 성능 지표는 다음과 같습니다.

• 할루시네이션 제거: 모든 신경망 기반 베이스라인 (ClinicalBERT, BioBERT, GPT-4) 은 6~18% 의 Type I 할루시네이션을 보인 반면, Hybrid-Code 는 0% 를 기록했습니다.
• 포괄성 향상: 최소 규칙 기반 시스템 대비 40% 이상 포괄성이 향상되었으며, 신경망 모델들과 유사한 수준의 포괄성을 달성했습니다.
• 통계적 유의성: 모든 비교에서 p < 0.001 로 통계적으로 유의미한 우위를 보였습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 임상 안전성 보장: 의료 AI 시스템에서 "유효하지 않은 코드 생성"이라는 치명적인 오류를 아키텍처 수준에서 차단함으로써, 환자 안전과 청구 정확도를 보장할 수 있는 새로운 패러다임을 제시했습니다.
• 확장 가능한 지식 엔지니어링: 수동 큐레이션의 한계를 극복하고, 자동화된 검증 메커니즘을 통해 대규모 의료 지식베이스를 구축할 수 있는 가능성을 입증했습니다.
• 신뢰할 수 있는 AI 배포: 신경망의 유연성과 상징적 시스템의 엄격함을 결합한 하이브리드 설계 패턴은 의료뿐만 아니라 다른 안전 중시 (Safety-critical) 분야에 적용 가능한 일반화된 디자인 패턴으로 평가됩니다.

이 연구는 Hybrid-Code v2가 높은 성능을 유지하면서도 Type I 할루시네이션을 완전히 제거할 수 있음을 보여주며, 안전이 최우선인 의료 AI 분야에서 신경 - 상징적 접근법의 실용성을 입증했습니다.