최근 존 스노우 랩스(John Snow Labs) 연구진이 개발한 '딥렌즈 진단 에이전트(DeepLens Diagnosis Agent)'가 작은 규모의 의료 추론 모델(JSL Medical Small 7B v2)을 활용하여 최신 대규모 언어모델(LLM)보다 뛰어난 의료 진단 성능을 보여주며 주목받고 있습니다. 이는 모델의 크기보다는 체계적인 에이전트 워크플로우 설계가 복잡한 추론 작업에서 얼마나 중요한지 보여주는 사례입니다.
딥렌즈 진단 에이전트는 환자 사실 추출, 지식 조회, 감별 진단 생성, 최적 진단 선택 및 설명이라는 5단계 파이프라인으로 구성됩니다. 이 파이프라인은 모델의 역량에 엄격한 프로세스 제약을 결합하여 구조화된 임상 정보 추출, 체계적인 정보 검색(RAG), 제한된 후보군 생성, 명시적인 증거 삼각측량, 그리고 감사 가능한 최종 결정을 가능하게 합니다. 915개 사례의 DiagnosisArena 벤치마크에서 이 에이전트는 60.14%의 최고 진단 정확도를 달성했는데, 이는 동일 모델이 에이전트 워크플로우 없이 23.99%를 기록했던 것과 비교하면 36%p 향상된 수치입니다. 또한, 클로드 소네트 4.5(Claude Sonnet 4.5)나 제미니 3.1 프로(Gemini 3.1 Pro)보다 9%p 이상 높은 정확도를 보이면서도 사례당 비용은 0.0072달러로 35~45% 저렴했습니다.
이번 연구 결과는 의료 진단과 같이 높은 신뢰성과 투명성이 요구되는 분야에서 단순히 거대한 LLM에 의존하는 것만이 능사가 아님을 시사합니다. 에이전트 워크플로우는 모델의 파라미터 수나 API 비용보다 더 큰 영향을 미쳐, 작은 모델도 최첨단 LLM과 경쟁하거나 심지어 능가할 수 있음을 증명했습니다. 또한, 각 단계를 검사할 수 있는 구조화된 중간 결과물을 생성하여 오류를 쉽게 추적하고 감사할 수 있게 함으로써, 추적 가능성, 재현성, 감사 가능한 증거가 중요한 고위험 환경에서 AI 활용의 새로운 방향을 제시하고 있습니다.