대규모 암 보조 시스템(LCA): 종양학 분야의 확장 가능한 임상 의사 결정 지원을 위한 모델 비종속 오케스트레이션 프레임워크
요약
본 기사는 종양학 분야의 임상 의사 결정 지원 시스템(CDSS)을 위한 새로운 오케스트레이션 프레임워크인 Large Cancer Assistant (LCA)를 제안합니다. LCA는 모델 비종속적 아키텍처와 알고리즘 불침투성 원칙에 기반하여, AI 추론과 데이터 처리를 구조적으로 분리하는 것이 핵심입니다. 이를 통해 병원 IT 환경의 변화에도 유연하게 적응하고 높은 실패 안전성을 보장합니다.
핵심 포인트
- LCA는 모델 비종속적 오케스트레이션 프레임워크를 제공하여 AI 모델 교체에 강인함.
- 알고리즘 불침투성 원칙을 통해 핵심 AI 실행부를 병원 인프라로부터 격리함.
- Standardized Intermediate Payload (SIP)를 활용해 데이터와 로직의 아키텍처 경계를 명확히 함.
- 높은 실패 안전성과 다중 프로토콜 실행 능력을 검증하여 임상 적용 가능성을 입증함.
- 목표: 현재 종양학 분야의 멀티모달 딥러닝 모델들은 데이터 수집, 임상 라우팅, 인공지능(AI) 추론이 경직되게 결합된 모놀리식 디자인에 의해 제한되고 있습니다. 이러한 유연성 부족을 해결하기 위해, 우리는 확장 가능한 임상 의사 결정 지원을 위해 설계된 모델 비종속적(model-agnostic) 사후 오케스트레이션 프레임워크인 Large Cancer Assistant (LCA)를 제안합니다.
- 방법: LCA는 알고리즘 불침투성(Algorithmic Impermeability) 원칙에 기반한 7-튜플 아키텍처로 수학적으로 공식화되었으며, 이를 통해 오케스트레이션 로직이 근본적인 블랙박스 AI 모델과 엄격하게 독립적으로 유지되도록 보장합니다. 우리는 기하학적 딥러닝(Geometric Deep Learning, GDL)을 활용하여 멀티모달 환자 데이터를 개별 구조적 및 의학적 축을 따라 표준화하는 Entry Theory를 도입합니다. 이 시스템은 Cancer Switching Module을 통해 데이터를 동적으로 오케스트레이션하고, Standardized Intermediate Payload (SIP)를 출력함으로써 핵심 AI 실행부를 변동성이 큰 병원 IT 인프라로부터 의도적으로 격리합니다.
- 결과: 개념 증명(Proof of Concept, PoC)은 네 가지 기술 시나리오에 걸쳐 오케스트레이션 로직을 검증했습니다. 이 프레임워크는 무시할 수 있는 오케스트레이션 오버헤드로 정상 흐름을 실행했습니다. AI 모델 교체 중에도 불변의 라우팅 투영(invariant routing projection)을 유지함으로써 알고리즘 불침투성을 경험적으로 입증했으며, 주입된 데이터 이상 상황 하에서 목표화된 보충 데이터 요청(Supplementary Data Requests, SDR) 생성 시 100% 재현율(recall rate)을 달성하여 엄격한 실패 안전성(failure-safety)을 검증했습니다. 또한 다중 프로토콜 실행 능력도 성공적으로 확인되었습니다.
- 결론: LCA는 멀티모달 수집과 특징 추론을 구조적으로 분리함으로써, 매우 적응성이 높고 모듈화된 오케스트레이션 기반을 제공합니다. SIP는 명확한 아키텍처 경계를 설정하며, 독립적인 미래 패러다임으로서 다운스트림 전자의무기록(Electronic Medical Record, EMR) 상호운용성을 본질적으로 구현할 수 있는 발판을 마련합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기