의료 인공지능(AI) 기반 영상 추적 검사 자동화 시스템: 대규모 언어 모델(LLM)을 활용한 영상의학 추적 권고 탐지의 임상적 효과 분석

- 2월 27, 2026

Medical Artificial Intelligence, Radiology Follow-up Detection, Large Language Model, 의료 인공지능, 영상의학 AI, LLM 의료 적용, 추적 검사 자동화

초록(Abstract)

의료 영상 판독 이후 권고되는 추적 검사의 누락은 심각한 진단 오류(diagnostic error)의 주요 원인 중 하나이다. 특히 대형 의료기관에서는 연간 수십만 건 이상의 영상 판독이 수행되며, 기존의 매크로 기반 추적 시스템은 추적 검사 누락을 완전히 방지하기에는 구조적 한계를 가진다.

본 연구는 대규모 언어 모델(Large Language Model, LLM)을 기반으로 한 인공지능 에이전트를 개발하여 영상 판독 리포트에서 추적 검사 권고를 자동 탐지하고, 이를 임상 워크플로우에 통합함으로써 환자 안전성과 진단 정확도를 향상시키는 것을 목적으로 한다.

Parkland Health and Hospital System에서 수행된 본 연구는 Meta사의 Llama-3 70B 모델을 기반으로 프롬프트 엔지니어링 방식으로 최적화된 AI 에이전트를 활용하였다.

총 10,000건의 무작위 영상 판독 리포트와 120,000건의 실제 임상 데이터에서 평가한 결과, 본 AI 시스템은 기존 매크로 기반 시스템 대비 6.18배 높은 추적 검사 탐지율을 보였으며, 평균 정확도는 98.7%에 달했다.

본 연구는 의료 인공지능 기술이 단순 판독 보조를 넘어 진단 안전성 강화(diagnostic safety)와 임상 프로세스 자동화라는 새로운 의료 혁신의 핵심 인프라로 자리 잡을 수 있음을 시사한다.

키워드(Keywords)

의료 인공지능, 영상의학 AI, 대규모 언어 모델, LLM 의료 적용, 의료 AI 자동화, 영상 판독 추적 검사, 진단 오류 예방, 의료 데이터 표준, 의료 워크플로우 자동화, 디지털 헬스케어 혁신

1. 서론(Introduction)

의료 인공지능(Medical Artificial Intelligence)은 지난 10년간 영상의학, 병리학, 유전체학, 임상 의사결정 지원 등 다양한 의료 영역에서 폭발적인 성장을 보여왔다.

특히 영상의학 분야는 딥러닝 기반 영상 분석 기술의 발전으로 조기 진단 정확도를 획기적으로 향상시키고 있다.

그러나 영상 판독 이후의 추적 검사 관리(follow-up management)는 여전히 의료 시스템의 취약 지점으로 남아 있다.

영상의학 전문의가 판독 보고서에 추적 검사를 권고하더라도, 실제 임상 환경에서는 다양한 원인으로 인해 환자에게 적절한 후속 검사 일정이 전달되지 못하는 경우가 빈번하다.

이는 암, 심혈관 질환, 뇌질환, 폐질환 등 중증 질환의 진단 지연으로 직결될 수 있다.

기존 병원 정보 시스템은 주로 매크로 기반(keyword-triggered macro system) 추적 관리 방식을 사용한다.

영상의학 전문의가 특정 문구를 직접 입력해야만 전산 시스템이 이를 인식하여 추적 검사를 등록하는 방식이다. 하지만 이러한 방식은 다음과 같은 구조적 한계를 갖는다.

· 매크로 입력 누락

· 비표준 문장 표현

· 자연어 표현 다양성

· 업무 과부하로 인한 인적 오류

이러한 문제를 해결하기 위해 본 연구는 대규모 언어 모델(LLM) 기반 의료 인공지능 에이전트를 도입하여 영상 판독 보고서 내의 자연어 문장 전체를 분석하고 추적 검사 권고를 자동 인식하는 시스템을 구축하였다.

2. 연구 배경 및 필요성

2.1 진단 오류와 추적 검사 실패

진단 오류는 의료사고 중 가장 흔하면서도 치명적인 문제 중 하나이다.

미국 국립의학원(NAM)은 전체 의료사고의 약 30~40%가 진단 과정에서 발생한다고 보고하였다. 이 중 추적 검사 누락은 가장 대표적인 구조적 오류 요인이다.

특히 영상의학 판독 결과에서 추적 검사가 필요한 경우, 이를 체계적으로 관리하지 못할 경우 다음과 같은 결과가 초래된다.

· 악성 종양의 진단 지연

· 병기(stage) 상승

· 치료 비용 증가

· 생존율 감소

· 의료 분쟁 증가

2.2 기존 매크로 기반 시스템의 한계

Parkland Health System은 2018년부터 영상 판독 리포트에 매크로 문구 삽입 방식을 도입하여 추적 검사를 관리해 왔다.

그러나 장기간 운영 결과, 다음과 같은 문제점이 확인되었다.

· 판독의사가 매크로를 사용하지 않으면 시스템이 인식하지 못함

· 자연어 기반 표현 다양성으로 인해 비정형 문구 누락

· 시간 압박 환경에서의 입력 오류

3. 연구 방법(Materials and Methods)

3.1 연구 설계 개요

본 연구는 LLM 기반 의료 AI 에이전트를 개발하여 영상 판독 리포트에서 추적 검사 권고 문장을 자동 인식, 분류, 구조화하는 것을 목표로 한다.

그림 1. 의료 인공지능 기반 영상 판독 추적 검사 자동화 시스템 구조

[입력: Radiology Report] → [LLM AI Agent 분석] → [Follow-up Detection] → [Clinical Workflow 자동 연결]

3.2 데이터 구성

· 훈련 데이터: 1,000건 무작위 영상 리포트

· 평가 데이터: 10,000건

· 실시간 적용: 120,000건 (3개월)

영상 종류:

· X-ray

· CT

· MRI

· Ultrasound

표 1. 데이터 구성 및 평가 규모

구분	건수
학습 데이터	1,000
검증 데이터	10,000
실시간 적용 데이터	120,000
총 분석 건수	131,000

3.3 AI 모델 구조

본 연구는 Meta사의 Llama-3 70B 모델을 기반으로 프롬프트 엔지니어링(prompt engineering) 기법을 적용하여 의료 문맥 이해 최적화를 수행하였다.

그림 2. LLM 기반 의료 추적 검사 탐지 알고리즘 구조

LLM은 판독 문장에서 추적 검사 관련 문장을 탐지하고, 검사 시점, 검사 방법, 임상적 근거를 구조화된 데이터로 변환한다.

4. 연구 결과(Results)

4.1 추적 검사 탐지 성능

AI 에이전트는 기존 매크로 시스템 대비 6.18배 높은 추적 검사 탐지율을 기록하였다.

표 2. 추적 검사 탐지 성능 비교

시스템	탐지 건수(10,000건 기준)	정확도
기존 매크로 시스템	83	72.4%
AI 기반 시스템	513	98.7%

그림 3. 추적 검사 탐지 성능 비교 그래프

AI 기반 시스템은 기존 시스템 대비 6배 이상의 탐지 성능 향상을 보였다.

4.2 임상 워크플로우 개선 효과

AI 시스템 도입 후, 실제 환자 예약 및 추적 검사 이행률이 27.4% 증가하였다.

5. 고찰(Discussion)

본 연구는 의료 인공지능이 단순 진단 보조를 넘어 의료 안전망 구축(safety net)의 핵심 인프라로 작동할 수 있음을 실증적으로 입증하였다.

특히 LLM 기반 자연어 처리 기술은 다음과 같은 장점을 제공한다.

· 다양한 표현 방식 자동 인식

· 의료 문맥 기반 의미 이해

· 추적 검사 핵심 정보 구조화

이는 기존 rule-based 시스템이 갖는 구조적 한계를 근본적으로 해결한다.

6. 결론(Conclusion)

LLM 기반 의료 인공지능 시스템은 영상 판독 이후 추적 검사 누락이라는 구조적 의료 오류를 효과적으로 감소시킬 수 있다. 본 연구 결과는 향후 의료 인공지능 기반 자동화 시스템이 병원 정보 시스템의 필수 요소로 자리 잡을 가능성을 시사한다.

참고문헌

[1] A. Treacher et al., "Closing the Loop: A Custom Artificial Intelligence Agent to Improve Detection of Radiologist Follow-Up Recommendations," NEJM Catalyst, vol. 5, no. 2, 2025.

[2] Esteva A. et al., "A guide to deep learning in healthcare," Nature Medicine, vol. 25, pp. 24–29, 2019.

[3] Topol E., Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again, Basic Books, 2019.

[4] Rajpurkar P. et al., "Deep learning for chest radiograph diagnosis," PNAS, vol. 115, pp. 115–120, 2018.

[5] Gulshan V. et al., "Development and validation of a deep learning algorithm for detection of diabetic retinopathy," JAMA, vol. 316, pp. 2402–2410, 2016.

[6] Lundervold A.S., Lundervold A., "An overview of deep learning in medical imaging," Zeitschrift für Medizinische Physik, vol. 29, pp. 102–127, 2019.

[7] Beam A., Kohane I., "Big data and machine learning in health care," JAMA, vol. 319, pp. 1317–1318, 2018.

이 블로그 검색

The Medical Technology