[글로벌 AI·AX 핫뉴스 14/100] 마이크로소프트 의료 AI 연구, 정답률에서 검사 선택의 과정으로

처음부터 모든 검사 결과가 주어진 문제를 푸는 일과, 무엇을 더 물어보고 어떤 검사를 할지 정하는 일은 다르다. 마이크로소프트가 10월 22일 발표한 의료 AI 연구는 이 차이를 평가에 넣었다. 진단명을 맞혔는가에 더해 그 답을 얻기 위해 어떤 정보를 요청했는지 살피는 방식이다. 새로운 의료서비스의 출시보다 AI가 전문 업무의 과정을 어디까지 재현하고 있는지를 보여주는 소식이다.

MAI-DxO가 평가한 것은 단계별 정보 수집과 진단이다

마이크로소프트는 MAI-DxO와 순차 진단 평가 도구 SDBench의 연구가 학술지 Science에 게재됐다고 밝혔다. SDBench는 복잡한 교육용 사례와 응급실 기록 기반 사례를 상호작용형 문제로 구성한다. 시스템이나 의사가 짧은 설명에서 출발해 필요한 내용을 요청하고 진단에 이르는 구조다.

회사 발표에서 MIMIC 응급실 기록 기반 평가의 AI 진단 정확도는 약 80%, 비교한 의사는 47%였다. 이는 해당 사례와 정보 제공 조건에서 얻은 결과다. 모델이 제시한 진단의 정확도를 모든 병원의 환자에 대한 성능으로 옮기는 수치는 아니다. 이번 발표는 한국에서 이용할 진단 서비스나 일반 고객용 API의 정식 제공을 알리지 않았다.

MAI-DxO는 여러 가상의 역할이 진단 가설을 내고 질문과 검사를 검토하는 과정을 조율한다. 한 번 답을 생성하는 모델과 정보가 늘어날 때 판단을 고치는 시스템의 차이가 연구 대상이다. 이런 접근의 가치는 높은 정답률 자체와 함께 어떤 정보를 얻었을 때 판단이 달라졌는지 검토할 수 있다는 데서 읽힌다.

공개 구현은 질문에 답하는 모델과 채점 모델을 나눈다

순차 진단은 이번에 처음 등장한 기술이 아니다. 마이크로소프트 리서치에는 2025년 7월 연구가 공개돼 있다. 당시부터 NEJM의 복잡한 사례 304건을 단계별 문답으로 바꾸고, 진단과 함께 요청한 검사·진료의 비용을 평가했다. 지난해 연구의 모델 구성과 이번 발표 조건이 다르므로 수치를 단순히 이어 성능의 상승·하락으로 해석하기 어렵다.

현재 공개 저장소의 구현은 진단 에이전트와 정보를 제공하는 게이트키퍼, 결과를 판단하는 채점자로 역할을 나눈다. 게이트키퍼는 기록에 있으면 실제 결과를, 없으면 합성한 결과를 제공한다. 진단을 제출하면 채점 모델이 기준 진단과 비교해 1~5점으로 평가하고 4~5점을 정답으로 센다. 보고된 정확도 뒤에는 이런 정보 제공과 채점 규칙이 있다.

따라서 이 평가는 환자를 직접 진찰하는 전체 상황의 복제라기보다 텍스트로 구성한 상호작용 실험으로 이해하는 편이 정확하다. 어떤 정보를 요청할지 선택하는 능력을 드러내는 동시에, 그 정보가 어떻게 만들어지고 답이 어떻게 판정되는지도 결과에 들어간다. 전문 업무 AI를 비교할 때 모델 이름 옆에 평가 환경을 놓아야 하는 이유다.

정확도가 오른 구성이 언제나 더 저렴한 것은 아니다

10월 22일 공개된 MIMIC-IV-Ext-SDBench는 응급실 방문 뒤 입원한 환자 488명의 선정 사례다. 직접 중환자실에 입원한 경우를 제외했고, 명확한 최종 진단 등을 기준으로 골랐다. 학습 163건을 제외한 검증·테스트 325건이 발표 평가에 쓰였다. 다양한 환자가 섞인 응급실 전체의 분포와 동일한 자료는 아니다.

공개 데이터 설명에는 비용 해석의 중요한 비교도 있다. GPT-5 기본 에이전트는 정확도 76.6%에 사례당 추정 검사·평가 비용 약 4,240달러, 예산 제한이 없는 DxO는 80.3%에 약 4,980달러였다. 이 구성에서는 정확도가 높아지면서 추정 비용도 늘었다. 다른 구성의 절감 결과를 모든 작동 방식의 성질로 일반화할 수 없다.

수치는 어느 목표를 더 중시하도록 구성했는가와 함께 읽힌다. 정답에 도달하려고 더 많은 정보를 얻는 선택과 제한된 비용 안에서 판단하는 선택은 같은 평가점에 놓이지 않는다. 특정 조건에서 높은 정확도와 낮은 비용의 조합을 찾았다는 연구는 의미가 있지만, AI라는 이유만으로 두 성과가 항상 함께 생기는 것은 아니다. 산업 현장의 AX도 업무 결과와 그 결과를 얻는 자원을 각각 설명할 때 비교가 가능해진다.

미국 과거 기록의 가격과 국내 의료의 조건은 구분된다

MIMIC-IV-ED 원자료는 미국 보스턴 BIDMC의 2011~2019년 응급실 기록을 비식별화한 연구 자원이다. 원자료 설명은 지역의 수집 관행에 따른 편향과 빠진 처치 기록, 비현실적인 측정값 등의 한계도 적는다. 이 원자료 전체와 이번에 선별한 입원 사례를 같은 규모의 평가 자료로 부르면 연구의 적용 범위를 넓혀 말하게 된다.

비용 역시 표준화된 미국 가격으로 추정한 값이다. 현지 검사 접근성과 소요시간, 침습성까지 모두 반영하는 계산은 아니다. 국내의 수가나 병원별 자원 조건을 넣어 얻은 절감액이 아니므로 한국 의료비가 같은 비율로 줄어든다고 읽을 근거는 없다. 새로운 평가 방식의 소개와 국내 적용 성과는 서로 다른 자료를 요구한다.

국내에서 이 연구를 검토하는 의미는 더 큰 정확도 숫자를 가져오는 데만 있지 않다. 한국어 기록과 환자 구성, 요청 가능한 정보가 달라졌을 때 순차 판단이 어떻게 작동하는지가 구체적인 질문이다. 이는 국내 성능이 낮을 것이라는 예측도 아니다. 어떤 조건에서 얻은 결과를 다른 환경에 적용할 수 있는지 검토하는 과정이며, 전문 업무 AI의 평가가 지역과 기관의 운영에 닿는 지점이다.

코드 공개와 실제 환자 검증은 서로 다른 단계다

SDBench 저장소에는 개발용 완전 합성 사례 5건이 포함돼 있으며, 이를 진단 성능 보고에 사용하지 말라고 명시한다. 임상 자료는 별도 접근 대상이다. NEJM 사례는 별도 이용 허락이 필요하고, MIMIC 자료에는 인증·교육·이용계약이 요구된다. 평가 코드를 공개했다는 사실과 전체 환자 자료가 자유롭게 제공된다는 의미를 구분해야 한다.

현장 검증으로 가는 경로도 자료마다 다르다. 마이크로소프트는 이번 발표에서 BIDMC와 향후 전향적 연구를 진행해 실제 환자 상호작용과 의사의 독립 평가를 대조하겠다고 밝혔다. 별도로 6월 2일 발표한 메이오클리닉 협력은 메이오 소유 의료 모델을 임상 환경에서 시험·개선하고 향후 Azure Foundry API로 제공하려는 계획이다. 이를 이번 MAI-DxO가 이미 상용 제공됐다는 근거로 묶어서는 안 된다.

현재 벤치마크는 진단의 정답 여부를 다루지만 치료의 안전성과 장기 관리, 환자의 최종 건강 결과까지 측정하지 않는다. 따라서 이후 확인할 변화는 실제 임상 환경에서 판단이 어떻게 이어지고 환자와 의료진에게 어떤 결과를 남기는가다. 연구 성능을 서비스의 효용으로 잇는 이 단계가 남아 있다는 점까지 포함해야 의료 AI의 진전을 구체적으로 설명할 수 있다.

이번 연구는 AI에게 답을 고르게 하는 평가에서 정보를 얻는 선택까지 살피는 평가로 시선을 옮긴다. 그 과정의 공개는 비교와 검토의 근거를 늘린다. 높은 정답률이 실제 진료의 가치가 되는지는 이후 환자와 임상 환경에서 확인할 별도의 결과다.

글로벌 AI·AX 핫뉴스 연재 모아보기 →