체계적 문헌고찰은 임상 시험 결과를 근거 표(evidence table)로 요약하지만, 임상의는 데이터베이스 쿼리를 통해서만 이러한 표를 질의할 수 있으며, 많은 질문은 약물의 표적 분류나 통합된 평가변수(endpoint)처럼 표에 기록되지 않은 속성과 관련되어 있습니다. 본 논문에서는 두 종류의 질문에 모두 답하고, 모든 답변의 배경이 되는 쿼리, 선정된 임상 시험 및 도출 규칙을 공개하며, 전문가의 교정으로부터 학습하는 언어 모델(LM) 프레임워크인 FD-SCoPE를 소개합니다. 159건의 면역관문억제제(immune checkpoint inhibitor) 임상 시험 기록으로 구성된 종양학 근거 표에서, FD-SCoPE는 140개의 임상의 대상 과제를 모두 완료했습니다(대안 모델 90.7~97.9%). 파생 속성이 필요한 질문의 경우, 89.8%의 양성 예측도(positive predictive value)로 관련 임상 시험 기록의 99.3%를 검색했으며 4가지 대안 접근법보다 우수한 성능을 보였습니다(파생값 F1 77.7% 대비 64.8~73.4%). 기준 답변으로부터 시뮬레이션된 299개 질문에 대한 교정은 이전에 보지 못한 1,201개 질문에 대한 F1 점수를 77.9%에서 84.9%로 향상시켰습니다. 실행 가능한 쿼리, 검증된 프로그램, 전문가 피드백과 결합된 언어 모델은 임상의에게 임상 시험 근거에 대한 검증 가능한 접근성을 제공할 수 있습니다.
- 목적: 종양학의 멀티모달 심층 학습(deep learning) 모델은 현재 데이터 수집, 임상 라우팅, 인공지능(AI) 추론(inference)을 경직되게 결합하는 단일체(monolithic) 설계에 의해 제약을 받고 있다. 이러한 비유연성을 해결하기 위해, 우리는 확장 가능한 임상 의사결정 지원을 위해 설계된 모델 무관(model-agnostic) 사후(post-hoc) 오케스트레이션 프레임워크인 Large Cancer Assistant (LCA)를 제안한다. - 방법: LCA는 알고리즘 불침투성(Algorithmic Impermeability) 원칙에 기반한 7-튜플 아키텍처로 수학적으로 형식화되어, 오케스트레이션 로직이 기저의 블랙박스 AI 모델과 엄격하게 독립적으로 유지되도록 보장한다. 우리는 기하학적 심층 학습(Geometric Deep Learning, GDL)을 활용하는 진입 이론(Entry Theory)을 도입하여 멀티모달 환자 데이터를 구별되는 구조적 축 및 의료 축을 따라 표준화한다. 시스템은 Cancer Switching Module을 통해 데이터를 동적으로 오케스트레이션하고, 표준화된 중간 페이로드(Standardized Intermediate Payload, SIP)를 출력함으로써 핵심 AI 실행을 가변적인 병원 IT 인프라로부터 의도적으로 격리한다. - 결과: 개념 증명(Proof of Concept, PoC)은 네 가지 기술 시나리오에 걸쳐 오케스트레이션 로직을 검증하였다. 프레임워크는 무시할 수 있는 오케스트레이션 오버헤드로 정상 흐름을 실행하였다. AI 모델 교체 시 불변 라우팅 프로젝션을 유지함으로써 알고리즘 불침투성을 실험적으로 입증하였으며, 주입된 데이터 이상 상황에서 목표 보충 데이터 요청(Supplementary Data Requests, SDR) 생성에 100% 재현율(recall)을 달성하여 엄격한 실패 안전성을 검증하였다. 다중 프로토콜 실행 능력도 성공적으로 검증되었다. - 결론: 멀티모달 수집과 특징(feature) 추론을 구조적으로 분리함으로써, LCA는 고도로 적응 가능하고 모듈화된 오케스트레이션 기반을 제공한다. SIP는 명확한 아키텍처 경계를 확립하여, 독립적인 미래 패러다임으로서 다운스트림 전자의무기록(Electronic Medical Record, EMR) 상호운용성을 위한 토대를 자연스럽게 마련한다.
종양학에 보완 의학을 통합하는 흐름은 패러다임의 전환을 의미하며, 방사선 치료의 보조제로서 전통 중의학(TCM)의 채택이 점차 증가하고 있다. 통합 종양학이 공식적으로 제도화된 지 약 25년이 지난 현시점에서, 방사선 치료 보조제로서의 TCM에 관한 근거의 궤적을 종합적으로 정리하는 것이 적절하다. 본 연구에서는 2000년부터 2025년까지 발표된 69,745편의 논문을 대규모로 분석하여, 정의-아이디에이션-검증(define-ideate-test) 패턴을 반영하는 출판 성과, 국제 협력, 연구비 투자의 조율된 확장과 수축으로 정의되는 순환적 진화 양상을 도출하였다. 해당 분야의 안정적인 주제 구조를 파악하기 위해 설계된 주제 모델링 워크플로를 활용하여, 암 유형, 지지적 치료, 임상 엔드포인트, 기전, 방법론이라는 다섯 가지 주요 주제 축을 확인하였으며, 이는 환자 삶의 질, 과학적 엄밀성 및 기전 탐험에 대한 집중을 시사한다. TCM의 주제 간 통합은 환자 중심적이며 시스템 지향적이다. 창발적 진화 주기와 함께, 주제 구조는 점진적인 전문화와 해당 분야의 잠재적 파편화 해소 또는 기존 연구 의제의 포화를 보여준다. 이 분석은 해당 분야가 현재의 연구 의제를 성숙시켰으며, 새로운 전환점에 근접해 있음을 시사한다. 또한, 이 분야는 출판 유형, 주제 영역, 진화 주기 전반에 걸쳐 동질적인 긍정적 연구 결과 보고 양상을 보이며, 이는 구조적 요인과 무관한 시스템 전반의 긍정적 보고 바이어스를 시사한다.
본 논문에서는 대규모 언어 모델(LLM)을 종단적 전자 건강 기록(EHR)과 통합하기 위한 데이터베이스 기반 AI 아키텍처인 VISTA Architect를 소개한다. 데이터 수집 시, 복잡한 임상 문서를 영속적이고 출처가 연결된 지식 그래프로 변환하여 쿼리 시점마다 원시 기록을 반복 처리하는 과정을 제거한다. 이 아키텍처는 두 개의 계층으로 구성된다: 완전한 출처 정보와 함께 세분화된 EHR 구조를 보존하는 소스 충실 MEDS Graph와, 그래프 기반 LLM 추출을 활용하여 중복 제거되고 시간적으로 일관된 임상 이벤트의 간결한 타임라인을 합성하는 임상 추상화 계층인 Timeline Object Architecture(TOA)이다. 이는 시간적 관계를 놓치거나 원시 텍스트의 반복 처리로 인해 높은 비용과 지연을 초래하는 직접적인 긴 컨텍스트 프롬프팅 및 검색-증강 생성(RAG)의 핵심 한계를 해결한다. 임상 합성을 사전에 한 번 계산해 둠으로써, 하위 쿼리는 정리된 환자 상태에 접근하고 상세 검증이 필요한 경우에만 원본 문서를 탐색한다. 본 시스템은 환자 병력의 정확한 재구성이 중요한 Stanford Medicine의 다학제 흉부 종양학 종양위원회에서 시연된다. 1,180명의 환자를 대상으로 VISTA Architect는 15개 종양위원회 핵심 변수에 대해 96.4%의 정확도(평균 9.75/10)를 달성하였으며(17,700건 평가; 95% CI 96.1-96.7%), 이는 매칭된 BM25 RAG 기준선 및 LLM 기반 임상 추출에 관한 최근 벤치마크를 능가하는 성능이다. 에이전트(agent) 인터페이스를 통해 30명 환자로 구성된 보류 코호트의 준비 시간을 정확도 손실 없이 약 2.2분으로 단축하였다. 본 논문에서는 흉부 종양학에 맞게 구성되었으나, 모듈식 설계를 통해 커스터마이징 가능한 이벤트 정의, 에피소드 구조, 에이전트 도구를 활용하여 다른 전문 분야에도 적용할 수 있으며, 흉부 종양학을 넘어선 검증은 향후 과제로 남긴다.