SearchRAG: 검색 엔진이 LLM 기반 의료 질문 답변에 도움이 될 수 있을까?

SearchRAG: Can Search Engines Be Helpful for LLM-based Medical Question Answering?

February 18, 2025

저자: Yucheng Shi, Tianze Yang, Canyu Chen, Quanzheng Li, Tianming Liu, Xiang Li, Ninghao Liu

cs.AI

초록

대형 언어 모델(LLMs)은 일반적인 영역에서 뛰어난 능력을 보여주지만, 전문 지식이 필요한 작업에서는 종종 어려움을 겪습니다. 기존의 검색 증강 생성(Retrieval-Augmented Generation, RAG) 기술은 일반적으로 정적 지식 기반에서 외부 정보를 검색하는데, 이는 구식이거나 불완전할 수 있으며, 정확한 의학 질문 응답에 필수적인 세부적인 임상 정보를 놓칠 수 있습니다. 본 연구에서는 이러한 한계를 극복하기 위해 실시간 검색 엔진을 활용한 새로운 프레임워크인 SearchRAG를 제안합니다. 우리의 방법은 복잡한 의학 질문을 검색 엔진 친화적인 쿼리로 변환하기 위해 합성 쿼리 생성을 사용하고, 불확실성 기반 지식 선택을 통해 가장 관련성이 높고 유익한 의학 지식을 필터링하여 LLM의 입력에 통합합니다. 실험 결과는 우리의 방법이 특히 상세하고 최신 지식이 필요한 복잡한 질문에 대해 의학 질문 응답 작업에서 응답 정확도를 크게 향상시킨다는 것을 보여줍니다.

English

Large Language Models (LLMs) have shown remarkable capabilities in general domains but often struggle with tasks requiring specialized knowledge. Conventional Retrieval-Augmented Generation (RAG) techniques typically retrieve external information from static knowledge bases, which can be outdated or incomplete, missing fine-grained clinical details essential for accurate medical question answering. In this work, we propose SearchRAG, a novel framework that overcomes these limitations by leveraging real-time search engines. Our method employs synthetic query generation to convert complex medical questions into search-engine-friendly queries and utilizes uncertainty-based knowledge selection to filter and incorporate the most relevant and informative medical knowledge into the LLM's input. Experimental results demonstrate that our method significantly improves response accuracy in medical question answering tasks, particularly for complex questions requiring detailed and up-to-date knowledge.