이 논문을 의사와 의학 연구자를 위해 특별히 설계된 가끔은 예측 불가능할 수 있지만 매우 똑똑한 디지털 비서를 위한 사용자 매뉴얼로 생각하세요.

저자들 (NIH 와 최상위 대학들의 팀) 은 이러한 "대규모 언어 모델 (LLM)"—본문에서 언급된 미래지향적인 GPT-5 나 Claude 4.5 와 같은 것들—이 놀라울 정도로 강력하지만, 의학 분야에서 이를 사용하는 것은 훈련받지 않은 사람에게 수술용 메스를 쥐여주는 것과 같다고 주장합니다. 무작위 질문을 던져 완벽한 의학적 조언을 기대할 수는 없습니다. 대신, 이를 안전하고 효과적으로 사용하기 위한 구조화된 단계별 가이드가 필요합니다.

다음은 일상적인 비유로 설명한 이 AI 도구를 사용하기 위한 논문의 "레시피"입니다:

1. AI 가 수행할 다섯 가지 업무 (작업 정의)

시작하기 전에 AI 에게 어떤 작업을 요청할지 알아야 합니다. 논문은 LLM 을 다섯 가지 특수한 칼날을 가진 스위스 아미 나이프와 같다고 말합니다:

• 탐정 (지식 및 추론): 복잡한 의학적 질문에 답변하거나 환자가 임상 시험에 적합한지 파악합니다.
• 편집자 (요약): 50 페이지 분량의 의료 기록을 한 페이지 분량의 요약문으로 변환합니다.
• 번역가 (번역): 의료 전문 용어를 환자를 위한 일반 언어로 변환하거나, 언어 간 번역을 수행합니다.
• 정리꾼 (구조화): 지저분한 손글씨 메모를 깔끔하고 정리된 목록이나 표로 변환합니다.
• 다중 센서 (다중 모달): 진단을 내리기 위해 텍스트, X 선, 그리고 음파를 동시에 분석합니다.

규칙: AI 에게 문제를 그냥 던져서는 안 됩니다. 정확히 어떤 "칼날"이 필요한지 정의하고, 작업이 올바르게 수행되는지 확인하기 위해 약 100 개의 연습 예시 (테스트 사례) 를 수집해야 합니다.

2. 올바른 도구 선택 (모델 선정)

모든 AI 모델이 동일한 것은 아닙니다. 모델을 선택하는 것은 차를 구매하는 것과 같습니다:

• 크기가 중요합니다: 더 큰 모델 (6710 억 개의 "파라미터"를 가진 DeepSeek-R1 과 같은) 은 중형 트럭과 같습니다; 더 똑똑하지만 더 많은 연료 (컴퓨팅 파워) 가 필요하고 비용이 더 듭니다. 더 작은 모델은 소형차와 같습니다; 저렴하고 빠르지만 무거운 하중은 처리하지 못할 수 있습니다.
• 컨텍스트 창: AI 에게 단기 기억력이 있다고 상상해 보세요. 어떤 모델은 마지막 8,000 단어 (약 20 개의 초록 분량) 만 기억할 수 있는 반면, 다른 모델들 (Gemini 3 와 같은) 은 전체 도서관 (100 만 단어) 을 기억할 수 있습니다. 의료 파일이 소설처럼 길다면, 큰 기억력을 가진 모델이 필요합니다.
• 개인정보 잠금장치: 이것이 매우 중요합니다. 실제 환자 데이터를 다루고 있다면, 공개된 무료 챗봇 (ChatGPT 의 표준 웹 버전과 같은) 을 사용할 수 없습니다. 이는 환자의 일기를 공원 벤치에 방치하는 것과 같기 때문입니다. "HIPAA 준수" 모델 (잠겨 있고 안전한 방) 이 필요하거나, 모델을 자체 사설 서버에서 실행해야 합니다.

3. AI 에게 말하는 법 가르치기 (프롬프트 엔지니어링)

모델을 선택했다면, 올바르게 대화해야 합니다. 이것이 프롬프트 엔지니어링입니다. AI 를 매우 문자 그대로 해석하는 천재적인 인턴으로 생각하고, 매우 구체적인 지시가 필요하다고 가정해 보세요.

• 퓨샷 학습 (Few-Shot Learning): 단순히 "이것을 요약하라"고 말하는 대신, 먼저 원하는 방식의 세 가지 예시를 인턴에게 보여줍니다. 이는 새로운 직원이 보고서를 작성하기 전에 몇 가지 완성된 보고서를 보여주는 것과 같습니다.
• 생각의 사슬 (Chain-of-Thought): AI 에게 "단계별로 생각하라"고 요청합니다. 이는 수학 학생에게 답만 주는 것이 아니라 "풀이 과정을 보여달라"고 요청하는 것과 같습니다. 이는 AI 가 실수를 할 가능성을 줄이고, 의사가 AI 가 특정 답변을 내린 이유를 이해하는 데 도움을 줍니다.
• RAG (검색 증강 생성): AI 가 사실을 모를 때, 추측하게 하지 마십시오 (이는 "환각" 또는 거짓말을 초래합니다). 대신, 먼저 교과서를 보게 하십시오. 관련 의료 지침을 입력하고, 그 텍스트에 오직 기반하여 답변하도록 요청합니다.
• 도구 학습: AI 가 수학 계산을 하거나 특정 데이터베이스를 조회해야 한다면, 기억에서 하려고 하지 말고 계산기나 검색 엔진을 사용하게 하십시오.

4. 전문가를 고용할 때 (파인튜닝)

때로는 훌륭한 지시에도 불구하고 AI 가 여전히 충분하지 않을 수 있습니다. 이때 파인튜닝을 수행합니다.

• AI 를 일반과로 상상해 보세요. 파인튜닝은 특정 질병을 위한 전문 레지던시 프로그램에 보내는 것과 같습니다.
• 다음 경우에 이를 수행합니다:
  1. 지시 (프롬프트) 가 작동하지 않을 때.
  2. 가르칠 고品質의 의료 데이터가 방대한 양으로 쌓여 있을 때.
  3. 매번 입력하기에는 지시가 너무 길고 비용이 많이 들 때.
• 논문은 (LoRA 와 같은) "파라미터 효율적" 방법을 사용할 것을 제안합니다. 이는 AI 의 전체 뇌를 재건하는 대신 전문 훈련 조끼를 입히는 것과 같습니다. 이는 더 저렴하고 빠릅니다.

5. 실제 활용 (배포)

마지막으로, 병원이나 연구실에서 AI 를 실제로 사용할 때는 신중해야 합니다.

• 안전 최우선: AI 는 **선장 (캡틴) 이 아닌 조종 보조 (코파일럿)**입니다. 의사를 지원할 뿐, 대체하지 않습니다.
• 편향 점검: 인간과 마찬가지로 AI 도 편향을 가질 수 있습니다. AI 가 주로 한 그룹의 데이터로 훈련되었다면, 다른 그룹에게는 더 나쁜 조언을 할 수 있습니다. 모든 사람을 공정하게 대우하는지 확인하기 위해 테스트해야 합니다.
• 비용 통제: 대규모 AI 모델을 사용하는 것은 비용이 듭니다 (연료비 지불과 같은). 메시지당 회사에 지불하든, 자체 강력한 컴퓨터 서버를 구매하든 이에 대한 예산을 편성해야 합니다.

결론

이 논문은 대규모 언어 모델이 의학을 위한 혁신적인 도구이지만, 마법은 아니라고 결론지었습니다. 이를 안전하게 사용하기 위해 의사와 연구자들은 엄격한 워크플로우를 따라야 합니다: 작업을 정의하고, 올바른 보안 모델을 선택하며, 생각하는 법을 가르치고 (프롬프트), 필요시 전문화하며 (파인튜닝), 항상 작업을 점검할 인간을 개입시켜야 합니다.

이러한 단계를 건너뛰면 AI 가 잘못된 조언을 하거나, 환자 비밀을 유출하거나, 돈을 낭비할 위험이 있습니다. 이러한 단계를 따르면 의료 서비스를 더 빠르고, 정확하며, 안전하게 만들 수 있습니다.