암 환자의 생존 예측에 필요한 검사 정보를 환자별로 선택하는 LLM 기반 에이전트 ‘SAGEAgent’가 제안됐다. 모든 환자에게 인구통계, 영상, 병리, 유전체 정보를 일괄 요구하는 대신, 현재까지 확보한 정보로 다음 검사의 추가 가치와 부담을 판단한다. 검사 순서도 접수 단계 정보에서 영상, 병리, 유전체 분석으로 이어지는 실제 임상 흐름을 따르도록 제한했다.
에이전트는 수치형 예측을 텍스트로 바꾸는 임상 도구, 비슷한 과거 사례를 찾는 에피소드 기억, 반복되는 의사결정 규칙을 축적하는 의미 기억을 사용한다. 예측기는 2층 트랜스포머이며, 에이전트에는 가중치를 고정한 Qwen-2.5-7B-Instruct를 썼다. 환자별 결정은 내부 모델 다섯 개 가운데 세 개 이상이 동의하는 다수결로 합쳤다.
실험 데이터는 TCGA-LGG, TCGA-GBM과 BraTS를 결합한 교종 코호트다. 네 종류의 정보가 모두 있는 환자 170명을 대상으로 중첩 5×5 교차검증을 수행했다. 검사 부담은 비용, 소요 시간, 침습성, 인프라 요구를 다기준 의사결정 방식으로 정규화했다. 인구통계 0.03, 영상 0.14, 병리 0.53, 유전체 0.30으로 두어 전체 검사를 1로 계산했다.
SAGEAgent의 생존예측 C-index는 0.813±0.046, 평균 부담은 0.451로 보고됐다. 전체 정보를 쓰는 자체 예측기의 C-index 0.825±0.050과 차이는 0.012였고, 취득 부담은 55% 줄었다. 비교한 Reflexion은 C-index 0.823±0.049, 부담 절감 13%였다. 강화학습 기반 세 방법은 부담을 87~88% 줄였지만 C-index가 약 0.73으로 낮아졌다.
| 방법 | C-index | 평균 부담 | 부담 감소 | 해석 |
|---|---|---|---|---|
| 전체 정보 예측기 | 0.825±0.050 | 1.000 | 기준 | 네 모달리티 모두 사용 |
| SAGEAgent | 0.813±0.046 | 0.451 | 55% | 연구진 정의 정규화 지표 |
| Reflexion | 0.823±0.049 | 0.873 | 13% | 비교 에이전트 |
| RL 계열 3종 | 약 0.73 | 약 0.12~0.13 | 87~88% | 부담은 낮지만 C-index 감소 |
이 수치를 실제 의료비 55% 절감으로 읽어서는 안 된다. 부담 값은 연구진이 네 기준을 합쳐 만든 정규화 지표이며, 전향 임상시험이나 실제 검사 처방을 관찰한 결과가 아니다. 데이터는 완전한 네 모달리티를 갖춘 170명으로 제한됐고, 기억 규칙과 LLM 판단이 다른 병원·암종·환자 구성에서도 유지되는지는 확인되지 않았다.
논문은 2026년 7월 공개된 arXiv 프리프린트다. 환자별로 진단 정보의 추가 가치를 설명하며 선택한다는 설계는 기존 결측치 처리와 다르지만, 임상 적용을 주장하려면 외부 코호트 검증, 전향 평가, LLM의 오류와 편향 점검이 필요하다. 현재 결과는 교종 후향 데이터에서 정확도와 연구진 정의의 검사 부담 사이 균형을 시험한 초기 증거다.
저작권자 © STORIUM 무단전재 및 재배포 금지
