Automated Disease Prediction and Prescription System with Regional Kannada Synonym Integration

기술 요약: 지역적 칸나다어 유의어 통합을 통한 자동 질병 예측 및 처방 시스템

문제 정의
효과적인 의료 서비스 전달은 의료 제공자와 환자 사이의 명확한 의사소통에 크게 의존합니다. 다국어 지역에서는 언어 장벽으로 인해 오진, 투약 오류 및 최적화되지 않은 환자 결과가 빈번하게 발생합니다. 신경망 기계 번역(NMT)이 크게 발전했음에도 불구하고, 구글 번역(Google Translate)이나 위스퍼(Whisper)와 같은 기존 솔루션은 지역 방언 및 의학적 유의어를 다룰 때 저자원 언어(low-resource languages)를 정확하게 번역하는 데 종종 실패합니다. 인도 카르나타카 지역의 경우, 환자들은 동일한 질병을 다양한 지역적 칸나다어 용어(유의어)로 설명하곤 하는데, 표준 번역 도구들은 이를 잘못 해석하거나 직역하는 경향이 있습니다 (예: "가려움증"에 대한 지역 용어를 "아침 식사" 또는 "자극"으로 번역하는 경우). 또한, 이러한 특정 언어 쌍에 대한 공개적인 대규모 의료 데이터셋의 부재는 강건하고 도메인 적응 가능한 번역 모델의 개발을 제한합니다.

방법론
저자들은 음성-텍스트 변환, 지역 유의어 인지형 기계 번역, 그리고 질병 예측을 통합하는 자동화된 시스템을 제안합니다. 핵심 기술 파이프라인은 다음과 같습니다:

1. 데이터 수집 및 전처리: 환자의 증상 및 질병 묘사에 초점을 맞춘 약 900개의 칸나다어-영어 문장 쌍으로 구성된 맞춤형 데이터셋을 구축했습니다. 데이터는 클리닝(소문자화, 특수 문자 제거), 토큰화, 어휘 생성 과정을 거쳤습니다.
2. 모델 아키텍처: 본 시스템은 순환 신경망(RNN) 아키텍처를 채택하며, 특히 시퀀스 데이터와 장기 의존성을 처리하기 위해 장단기 메모리(LSTM) 유닛을 활용합니다.
   • 인코더-디코더 프레임워크: 인코더는 입력된 칸나다어 텍스트를 고정된 차원의 벡터(은닉 상태 및 셀 상태)로 처리하고, 디코더는 영어 번역을 생성합니다.
   • 어텐션 메커니즘(Attention Mechanisms): 모델은 일반 어텐션과 글로벌 어텐션 메커니즘을 모두 통합하여, 디코더가 소스 문장의 관련 부분에 동적으로 집중할 수 있도록 함으로써 표준 인코더-디코더 모델의 정보 병목 현상을 완화합니다.
   • 학습 전략: 학습 중에는 디코더에 정확한 참조 출력을 제공하여 수렴을 개선하는 티처 포싱(Teacher Forcing) 알고리즘이 사용됩니다.
   • 디코딩: 번역의 유창성과 정확도를 최적화하기 위해 탐욕적 디코딩(Greedy Decoding)과 빔 서치(Beam Search) 접근 방식이 모두 평가되었습니다.
3. 유의어 통합: 본 방법론의 핵심 요소는 지역적 칸나다어 유의어를 인식하는 시스템의 능력입니다. 방언의 변화에 취약한 표준 번역기와 달리, 이 모델은 이러한 지역적 변이를 올바른 영어 의학 용어로 매핑하도록 학습되었습니다.
4. 처방 예측: 텍스트가 번역되고 질병이 식별되면, 시스템은 데이터셋을 쿼리하여 그에 상응하는 약물을 예측합니다.

주요 기여

• 지역 유의어 처리: 구글 번역 등이 자주 실패하는 지점인 지역적 의학 유의어 처리에 특화된 칸나다어-영어 쌍 전용 번역 모델을 개발했습니다.
• 아키텍처 구현: 저자원 언어를 위한 번역 품질을 높이기 위해 RNN-LSTM 프레임워크 내에 어텐션 메커니즘과 티처 포싱 알고리즘을 통합했습니다.
• 비교 평가: 제안된 모델을 구글 번역 및 위스퍼 번역기와 비교하여 특정 의료 맥락에서의 우수한 성능을 입증했습니다.
• 데이터셋 구축: 훈련 및 평가를 용이하게 하기 위해 약 900개의 환자 증상 문장으로 구성된 특화된 데이터셋을 제작했습니다.

결과
제안된 시스템은 표준 NMT 지표인 BLEU, METEOR, 번역 편집율(TER)을 사용하여 평가되었습니다.

• 번역 정확도: 제안된 모델은 41.5–31.8 범위의 BLEU 점수와 **52.2%**의 METEOR 점수를 달성하여, 구글 번역(BLEU 35.8–28.4, METEOR 39.5%)과 위스퍼 번역(BLEU 39.8–30.8, METEOR 41.5%)보다 우수한 성능을 보였습니다.
• 오류 감소: 모델은 구글(69.2%) 및 위스퍼(64.6%)에 비해 더 낮은 **53.1%**의 번역 편집율(TER)을 기록했습니다.
• 유의어 인식: 정성적 테스트에서 제안된 모델은 "가려움증"(다양한 지역 칸나다어 용어를 정확히 번역)을 비롯하여 "천식", "정맥류"와 같은 질병에 대한 지역 용어를 정확히 식별한 반면, 구글과 위스퍼는 직역하거나 잘못된 번역(예: 가려움증에 대한 지역 용어를 "아침 식사"로 번역)을 생성했습니다.
• 처방 예측: 시스템은 번역된 질병 묘사를 바탕으로 약물을 예측하는 데 있어 95%의 정확도를 보고했습니다(단, 이는 특정 데이터셋 맥락 내에서의 예측 오류를 기준으로 평가됨).

의의 및 주장
본 논문은 제안된 시스템이 표준 도구들이 놓치는 지역 방언 및 유의어를 정확하게 번역함으로써 칸나다어 사용자들을 위한 의료 커뮤니케이션 격차를 성공적으로 해소한다고 주장합니다. 환자의 입력을 자연어로 이해하고 적절한 약물을 예측함으로써 로봇이나 자동화된 시스템이 의료 전문가를 보조할 수 있도록 설계되었습니다. 저자들은 본 시스템이 유망한 결과를 보여주지만, 의료 전문가를 대체하는 것이 아니라 지원하기 위해 설계되었음을 강조합니다. 모든 예측된 처방은 안전을 위해 반드시 인간 전문가의 검증을 거쳐야 하며, 이는 완벽한 정확성을 보장하는 데 있어 AI의 한계를 인정하는 것입니다.