희귀질환 진단은 의사에게도 매우 어려운 과제입니다. 환자의 복잡하고 비정형적인 증상에서 정확한 표현형(phenotype)을 식별하고, 방대한 지식 속에서 정교한 추론을 해야 하기 때문입니다. 기존 인공지능(AI) 방식은 미리 정의된 온톨로지(ontology)나 검색 증강 생성(RAG)에 의존해 정보 손실이 발생하고 진단 논리가 부족하다는 한계가 있었습니다. 이러한 문제를 해결하기 위해 새로운 종단간(end-to-end) 추론 중심 대규모 언어모델(LLM)인 'RareDxR1'이 개발되어, 비정형 임상 기록만으로 희귀질환을 자율적으로 진단하는 데 성공했습니다.
RareDxR1은 구조화된 표현형이나 폐쇄형 의사결정에 의존하지 않고, 지식 내재화와 자율 진화 학습을 결합한 점진적인 종단간 훈련 프레임워크를 사용합니다. 특히, 파편화된 희귀질환 지식을 모델 파라미터(parameter)에 직접 내재화하여 RAG의 한계를 극복했습니다. 또한, 모델의 생성 능력과 전문가의 추론 간 격차를 줄이기 위해 '반성 강화 추론 샘플링(Reflection-Enhanced Reasoning Sampling, RERS)' 전략을 도입했습니다. 이 전략은 인간의 개입 없이 실패로부터 학습하여 전문가 수준의 진단 궤적을 합성해냅니다. 더불어, 이중 수준 커리큘럼 강화 학습(dual-level curriculum reinforcement learning) 접근 방식을 통해 희귀질환 진단을 점진적으로 숙달하도록 설계되었습니다. 실험 결과, RareDxR1은 다양한 벤치마크에서 최첨단 정확도를 달성하며 개방형 희귀질환 진단 분야에서 중요한 돌파구를 마련했습니다.
이러한 발전은 희귀질환으로 고통받는 환자들에게 매우 중요한 의미를 가집니다. 진단이 늦어지면 적절한 치료 시기를 놓치거나 불필요한 고통을 겪을 수 있기 때문입니다. RareDxR1과 같은 AI 시스템은 진단 정확도를 높이고 시간을 단축하여, 환자들이 더 빨리 올바른 치료를 받을 수 있도록 도울 수 있습니다. 또한, 의사들이 복잡한 진단 과정에서 AI의 도움을 받아 업무 부담을 줄이고, 더 많은 환자에게 집중할 수 있게 함으로써 의료 서비스의 질을 전반적으로 향상시킬 잠재력을 가지고 있습니다. 이는 의료 AI 분야의 중요한 진전이며, 앞으로 더 많은 질병 진단에 적용될 가능성을 보여줍니다.