희귀질환 감별진단은 의사가 복잡하고 비정형적인 환자 증상에서 정확한 표현형을 추출하고 방대한 탐색 공간 안에서 정교한 추론을 수행해야 하는 까다로운 임상 과제로 꼽힌다. 장더양, 우하오란, 왕쯔이 등이 참여한 연구진은 기존 AI 접근법이 사전에 정의된 온톨로지, 검색 병목, 진단 논리 부재 등으로 정보 손실을 겪는다고 지적하며 이를 해결하기 위한 새로운 모델 ‘RareDxR1’을 제시했다.
RareDxR1은 비정형 진료기록에서 곧바로 개방형 희귀질환 진단을 수행하도록 설계된 추론 중심 대형언어모델(LLM)이다. 연구진은 지식 내재화와 자율적 진화 학습을 결합한 단계적 종단간(end-to-end) 학습 프레임워크를 설계해, 구조화된 표현형이나 폐쇄형 의사결정 방식에 의존하지 않도록 했다. 기존의 검색증강생성(RAG) 방식과 표현형 제한의 한계를 극복하기 위해, 파편화된 희귀질환 지식을 모델 파라미터 안에 직접 내재화하는 방법을 택했다.
모델 생성 결과와 전문의 수준의 추론 사이 간극을 좁히기 위해 연구진은 ‘반성 강화 추론 샘플링(RERS)’이라는 전략을 제안했다. 이는 사람이 직접 라벨링하지 않고도 실패 사례로부터 학습해 전문가 수준의 진단 궤적을 합성하는 방식이다. 여기에 더해 희귀질환 진단을 점진적으로 숙달할 수 있도록 이중 단계 커리큘럼 강화학습 방법도 함께 적용했다.
연구진은 실험 결과 RareDxR1이 여러 벤치마크에서 최고 수준의 정확도를 달성했다고 밝혔다. 다만 구체적인 수치나 비교 대상 모델은 이번 논문 초록에는 제시되지 않았다. 연구진은 이 성과를 개방형 희귀질환 진단 분야에서 의미 있는 도약으로 평가했으며, 코드와 데이터셋을 공개할 계획이라고 밝혔다.
희귀질환은 개별 질환당 환자 수가 적어 임상 데이터가 부족하고 진단까지 오랜 시간이 걸리는 경우가 많아, 의료 AI 연구에서도 상대적으로 소외돼온 영역이다. 사람이 일일이 라벨링한 학습 데이터 없이도 전문가 수준의 진단 추론 능력을 확보하려는 이번 시도는, 데이터가 희소한 전문 의료 분야에 LLM을 적용하는 방법론적 실험으로서 의의를 갖는다.
