암 치료는 부분적 관측 가능성, 환자별 이질적 특성, 검사 비용 제약이 복합된 순차적 의사결정 문제다. 기존 강화학습(RL) 기반 접근법은 상태 궤적을 제어하는 데 초점을 맞추지만, 실제 암 치료는 치료 자체가 환자의 상태 전이 역학을 영구적으로 바꾼다는 점에서 표준 강화학습과 근본적으로 다르다. 즉, 어떤 치료를 선택하느냐에 따라 환자의 생물학적 상태가 달라지며, 이 변화가 이후 치료 효과에도 영향을 준다.
연구진은 암 치료를 신뢰 공간(belief-space) 계획 문제로 모델링하고, 능동 추론(active inference) 프레임워크를 적용했다. 이를 통해 검사 예산 제약 하에서 목표 지향 제어와 정보 획득을 단일 기대 자유 에너지(expected free energy) 목적 함수로 통합했다. 추가적인 정보 획득 항목 없이도 두 가지 목표를 자연스럽게 균형시키는 구조가 도출된다는 점이 이 접근의 핵심이다. 능동 추론은 에이전트가 불확실성을 줄이면서 동시에 목표를 달성하는 행동을 선택하도록 유도하는 뇌과학 기반 계산 이론으로, 의료 의사결정처럼 불완전한 정보 환경에 적합하다는 평가를 받는다.
연구진은 미국암연구협회(AACR) 프로젝트 GENIE 바이오파마 협력 데이터셋의 실제 임상 암 데이터로 프레임워크를 구현했다. 실제 검사 및 치료 제약 조건 아래 실험한 결과, 환자 분류와 높은 치료 효과를 동시에 달성했다고 연구진은 보고했다. 이번 연구는 개인 맞춤형 암 치료 계획 수립에 AI 기반 의사결정 프레임워크를 적용한 사례로, 데이터 기반 임상 지원 시스템 연구의 새로운 방향을 제시한 것으로 평가된다.
