쌓인 기록에서 찾기
무엇을 찾으세요? 날짜를 몰라도 됩니다. 제목·Key Point·요약·태그를 한꺼번에 뒤집니다.
검색 범위 2026년 8월 13일 (목) 부터 2026년 11월 16일 (월)까지 4683건
6건 · "의료AI"조건 지우기 ×
001 06:11 ▲ 295 · 댓글 147 10년 된 CNN이 최신 LLM을 이기다, 피부암 진단 2015년 구글이 발표한 Inception v3 CNN을 피부과 이미지로 20분 정도 미세조정한 모델이 GPT-6 Astra와 Claude Fable 5.1 두 최신 LLM을 피부암 진단에서 압도했다. AI · 머신러닝 · A 10-year-old CNN outperforms frontier LLMs for skin cancer diagnosis
Key Point 이 글은 대규모 언어모델의 의료 진단 능력이 특화된 구형 모델에 미치지 못한다는 구체적인 임상 증거를 보여주며, LLM이 모든 분야에서 기존 방식을 대체할 수 없음을 시사한다.
핵심 요약
2015년 구글이 발표한 Inception v3 CNN을 피부과 이미지로 20분 정도 미세조정한 모델이 GPT-6 Astra와 Claude Fable 5.1 두 최신 LLM을 피부암 진단에서 압도했다. 임상 사진과 피부경 이미지를 포함한 조직검사로 확진된 200개 병변 테스트에서 CNN은 125개(62%)를 올바르게 진단했지만 두 LLM은 각각 84개와 85개(42%)만 정확했다. 테스트 병변은 MILK10k 공개 데이터셋에서 무작위 선정했으며, 진단 불가능 범주 100개(흑색종 30, 기저세포암 25, 편평세포암 25, 광선각화증 20)와 안전 범주 100개(양성모반 50, 지루각화증 50)로 구성됐다. 전체 요약 12문장 읽기 → 002 18:11 ▲ 66 · 댓글 1 흉부 X선 진단에 도구 활용한 AI 에이전트, ChestAgentBench서 최고 성능 흉부 X선(CXR) 해석은 직접 시각 인식만으로는 부족하며 외부 도구를 통한 증거 통합이 필요한데, 기존 도구 활용 의료 에이전트는 언제 보조 증거가 필요한지 학습하거나 부적절한 정량 데이터를 차단하는 명시적 메커니즘이 부족하다. AI · 머신러닝 · X-Ragent: Tool-Augmented Reinforcement Learning for Evidence-Grounded Chest X-Ray Reasoning
Key Point 의료 AI가 X선 이미지 분석 시 외부 측정 도구를 필요한 순간에만 올바르게 활용하는 방식을 개선함으로써, 의료 진단 시스템의 신뢰성과 설명 가능성을 높이는 구체적인 접근 방식을 제시합니다.
핵심 요약
흉부 X선(CXR) 해석은 직접 시각 인식만으로는 부족하며 외부 도구를 통한 증거 통합이 필요한데, 기존 도구 활용 의료 에이전트는 언제 보조 증거가 필요한지 학습하거나 부적절한 정량 데이터를 차단하는 명시적 메커니즘이 부족하다. 이를 해결하기 위해 X-Ragent라는 도구 활용 강화학습 후학습 프레임워크를 제안하며, 이는 보조 증거 수집과 타당성 검증 정량 측정 획득을 분리한다. 7.7K 샘플의 Rad-CoT 코퍼스를 구축해 인과관계 순서의 도구 활용 궤적과 보고서 양식 진단 추론을 결합했다. 전체 요약 7문장 읽기 → 003 18:33 ▲ 26 · 댓글 2 강화학습만으로 의료 LLM 도메인 적응한 HuatuoGPT-3 범용 대규모언어모델(LLM)을 특정 도메인 전문가로 바꾸기 위해 OnePO(One-stage Policy Optimization)라는 강화학습 기법을 제안했습니다. AI · 머신러닝 · HuatuoGPT-3: RL-Only Domain Adaptation from Base Models
Key Point 의료 LLM 개발 시 SFT 없이 강화학습만으로도 최신 모델을 능가하는 성과를 낼 수 있음을 보여주므로, 도메인 적응 파이프라인의 효율성이 크게 달라질 수 있습니다.
핵심 요약
범용 대규모언어모델(LLM)을 특정 도메인 전문가로 바꾸기 위해 OnePO(One-stage Policy Optimization)라는 강화학습 기법을 제안했습니다. 기존 SFT+RL 방식은 탐색 다양성을 감소시키고 다단계 최적화의 복잡성이 있어, 순수 강화학습만으로 적응하는 방식을 개발했습니다. 순수 on-policy RL의 콜드스타트 문제와 혼합정책 RL의 문제점(gradient starvation, teacher-distribution anchoring)을 파악했습니다. 전체 요약 8문장 읽기 → 004 03:11 ▲ 19 · 댓글 2 루브릭 기반 강화학습의 보상 문제 해결하는 MetaRubric 루브릭 기반 강화학습은 개별 응답 요구사항에 부분 점수를 할당해 개방형 과제를 최적화하지만, 루브릭 판정자가 필수 정보나 행동이 없어도 높은 점수를 주는 '공허한 신용(Vacuous Credit)' 문제가 발생한다. AI · 머신러닝 · MetaRubric: Learning to Reward for Rubric-Based Reinforcement Learning
Key Point AI 모델의 보상 신호 설계 방식에 근본적인 문제점을 지적하고 의료·과학 분야 QA 성능을 20% 이상 끌어올린 접근법으로, 강화학습 기반 모델 개발에 실질적인 개선 방법을 제시한다.
핵심 요약
루브릭 기반 강화학습은 개별 응답 요구사항에 부분 점수를 할당해 개방형 과제를 최적화하지만, 루브릭 판정자가 필수 정보나 행동이 없어도 높은 점수를 주는 '공허한 신용(Vacuous Credit)' 문제가 발생한다. 이 문제는 필수 정보가 제거된 후에도 지속되며 응답의 GRPO 우위 부호를 역전시킬 수 있다. MetaRubric은 증거 인식 정책 최적화와 응답 기반 루브릭 적응을 교대로 수행하는 방식으로 이를 해결한다. 전체 요약 8문장 읽기 → 005 00:11 ▲ 13 · 댓글 2 종양 위원회 토론 기록으로 암 진료 AI 학습 데이터셋 공개 종양 치료 결정을 위해 여러 전문의가 함께 진료하는 '종양 위원회(tumor board)' 논의 과정을 기록한 벤치마크 'OpenTumorBoard'가 공개되었다. AI · 머신러닝 · OpenTumorBoard: A Real-World Benchmark of Multidisciplinary Tumor Board Discussion Trajectories
Key Point 의료 AI가 단순 정보 제공을 넘어 복잡한 다학제 진료 의사결정에 얼마나 미흡한지 처음으로 실제 현장 데이터로 입증하는 벤치마크다.
핵심 요약
종양 치료 결정을 위해 여러 전문의가 함께 진료하는 '종양 위원회(tumor board)' 논의 과정을 기록한 벤치마크 'OpenTumorBoard'가 공개되었다. YouTube에 공개된 종양 위원회 영상 12,534분을 전사해 611명의 환자 사례와 10개 전문 역할에 걸쳐 19,157개의 토론 턴을 수집했다. 벤치마크는 두 가지 평가 설정을 제공한다: 실제 토론 중 제기된 임상 질문에 LLM이 답하는 'SPECIALIST TURN'과, LLM이 전체 토론을 생성하고 치료 권장안·수술 계획·임상시험 매칭에 합의하는 'BOARD SIMULATION'이다. 전체 요약 7문장 읽기 → 006 18:10 ▲ 118 · 댓글 15 알리바바, 암 포함 150여 질환 진단하는 의료 AI 모델 공개 알리바바의 연구 부서 Damo Academy가 복부 CT 스캔을 분석해 암을 포함한 약 150개 질환을 진단하는 비전-언어 모델 'Damo Radar'를 오픈소스로 공개했다. AI · 머신러닝 · Alibaba open-sources AI model that can detect cancer and nearly 150 conditions
Key Point 의료진과 같은 수준의 진단 성능을 갖춘 AI 모델이 오픈소스로 공개되면서, 전 세계 의료기관과 연구자들이 접근할 수 있는 의료 AI의 판도가 바뀔 수 있다.
핵심 요약
알리바바의 연구 부서 Damo Academy가 복부 CT 스캔을 분석해 암을 포함한 약 150개 질환을 진단하는 비전-언어 모델 'Damo Radar'를 오픈소스로 공개했다. 이 모델은 18개 복부 장기를 포괄하고 악성 종양 등 질병과 이상을 식별하도록 설계되었으며, CT 스캔과 임상 보고서 쌍으로 학습했다. 약 4만 건의 실제 진료 검사에서 146개 임상 소견에 걸쳐 평균 AUC(곡선 아래 면적) 0.913을 달성했으며, 1.0은 완벽한 진단 정확도를 의미한다. 전체 요약 4문장 읽기 →