Experience-Guided Self-Adaptive Cascaded Agents for Breast Cancer Screening and Diagnosis with Reduced Biopsy Referrals

본 논문은 과거의 병리 확인 결과와 모델 예측을 기억 은행에 저장하여 새로운 사례와 유사한 경험을 기반으로 에이전트의 의사결정 정책을 동적으로 조정하는 'BUSD-Agent'라는 경험 기반 자기 적응형 캐스케이드 에이전트 프레임워크를 제안함으로써, 유방 초음파 선별 및 진단 과정에서 불필요한 생검 추천을 크게 줄이고 특이도를 향상시켰다고 요약할 수 있습니다.

핵심

🏥 핵심 아이디어: "경험 많은 두 명의 의사 팀"

이 시스템의 이름은 BUSD-Agent입니다. 이 시스템은 마치 병원 진료 과정처럼 **두 단계 (2 단계)**로 나누어 작동하는 '팀'으로 구성되어 있습니다.

1 단계: "간이 진료소" (Screening Clinic Agent)

• 역할: 병원에 들어온 모든 환자를 처음 맞이하는 초기 선별 의사의 역할을 합니다.
• 작동 방식: 이 의사는 아주 빠르고 가벼운 도구들 (이미지 분류 모델들) 을 사용합니다. 환자가 "정상"이거나 "양성 (암이 아님)"일 가능성이 매우 높으면, 더 이상 검사할 필요 없다고 판단하고 바로 보내버립니다.
• 목표: 불필요하게 진료를 받는 사람을 줄이는 것입니다.

2 단계: "전문 진단소" (Diagnostic Clinic Agent)

• 역할: 1 단계에서 "혹시 모를 위험이 있어 보인다"라고 판단된 환자만 보내는 정밀 진단 전문의입니다.
• 작동 방식: 이 의사는 훨씬 더 정교한 도구들을 사용합니다. (예: 종양의 모양을 확대해서 자세히 보고, 경계가 불규칙한지, 석회화가 있는지 등을 분석하는 도구들).
• 결정: 이 전문의가 최종적으로 "생검이 필요하다"라고 결정하면 환자는 조직 검사를 받게 됩니다.

---

🧠 이 시스템의 가장 큰 특징: "경험에서 배우는 능력" (Experience-Guided)

기존의 인공지능은 매번 처음부터 다시 계산하느라 실수를 반복하거나, 너무 예민해서 건강한 사람도 "위험하다"고 오해하는 경우가 많았습니다. 하지만 이 BUSD-Agent 는 과거의 성공과 실패 기록을 기억합니다.

📚 비유: "수천 명의 환자 기록이 담긴 두꺼운 수첩"

이 시스템은 과거에 병리 검사 (생검) 결과로 확인된 수천 건의 환자 기록을 '기억 은행 (Memory Bank)'에 저장해 둡니다. 기록에는 다음과 같은 내용이 들어있습니다.

• "이 환자는 초음파 사진이 이렇게 생겼고, AI 가 이렇게 판단했는데, 결국 양성이었다."
• "저 환자는 사진이 비슷해 보이지만, AI 가 조금 다른 신호를 보냈고, 결국 악성이었다."

🔍 새로운 환자가 왔을 때의 상황

새로운 환자가 오면, 이 시스템은 과거의 기록을 뒤적여 (검색) 비슷한 사례를 찾아봅니다.

• 질문: "이 환자의 사진과 AI 의 판단 신호가 과거에 양성으로 확인된 환자들과 비슷하지 않나?"
• 적용: 만약 과거에 비슷한 사례들이 모두 "생검 없이도 괜찮았다"는 결론이었다면, 시스템은 **"이번에도 생검 없이 보내자"**라고 판단을 조정합니다.

이 과정은 AI 의 내부 코드를 바꾸는 것이 아니라, 과거의 경험을 바탕으로 "지금 이 상황에서 얼마나 신뢰할지"를 실시간으로 조절하는 것입니다. 마치 경험이 풍부한 선배 의사가 "이런 경우는 과거에 많이 봤는데, 다 괜찮았어. 너무 걱정하지 말자"라고 조언하는 것과 같습니다.

---

📊 실제 성과: "불필요한 생검을 대폭 줄이다"

이 시스템을 10 개의 다른 데이터셋 (다양한 병원과 지역의 자료) 으로 테스트한 결과 놀라운 효과가 나왔습니다.

1. 불필요한 생검 감소: 기존 방식보다 생검을 권유하는 비율이 59.5% 에서 37.1% 로 크게 줄었습니다. 즉, 건강한 사람들이 불필요하게 바늘을 맞거나 스트레스를 받는 일이 훨씬 덜 생겼습니다.
2. 오진 (거짓 양성) 감소: 건강한 사람을 암으로 오인하는 경우가 84.9% 에서 58.7% 로 줄어들어, 불필요한 2 단계 진료를 크게 줄였습니다.
3. 진짜 암 놓치지 않기: 중요한 점은, 불필요한 검사를 줄였다고 해서 진짜 암 환자를 놓치는 일은 거의 없었다는 것입니다. (민감도는 유지하면서 특이도만 높임).

---

💡 요약: 왜 이것이 중요한가요?

지금까지 유방암 검진에서는 "모든 것을 의심하자"는 원칙 때문에, 건강한 여성들도 불필요하게 정밀 검사를 받거나 생검을 받아야 하는 경우가 많았습니다. 이는 환자의 정신적 고통과 의료비 낭비로 이어졌습니다.

이 BUSD-Agent는 **"과거의 경험을 통해 똑똑하게 판단하는 AI"**를 만들어, 진짜 위험한 환자만 선별해 내고, 건강한 사람들은 편안하게 보내주는 시스템을 제시했습니다. 마치 병원을 혼잡하게 만드는 불필요한 대기 줄을 줄여주면서, 진짜 도움이 필요한 환자에게는 더 빠르게 집중할 수 있게 해주는 지능적인 트라이지 (Triage) 시스템이라고 할 수 있습니다.

기술 요약

논문 요약: 경험 기반 자기 적응형 캐스케이드 에이전트를 통한 유방암 선별 및 진단과 불필요한 생검 감소

1. 문제 정의 (Problem Statement)

• 배경: 유방암은 전 세계 여성에게 가장 흔히 진단되는 암이며, 유방 초음파는 밀집 유방 조직을 가진 여성 및 자원 제약 환경에서 1 차 선별 및 진단 도구로 널리 사용됩니다.
• 핵심 문제: 기존 선별 시스템은 특이도 (Specificity) 가 낮아 위양성 (False Positive) 결과가 빈번하게 발생합니다. 이로 인해 불필요한 진단 심화 (Diagnostic Escalation) 와 과도한 생검 (Biopsy) 추천이 이루어집니다.
  • 영향: 이는 의료 시스템의 과부하, 환자의 불필요한 불안감, 높은 의료 비용, 그리고 실제 의심 사례에 대한 치료 지연을 초래합니다.
• 기존 접근법의 한계: 기존의 연구는 주로 초음파 기반 분류 및 분할 모델 개발에 집중했으나, 고정된 의사결정 로직을 사용하여 과거의 성공/실패 경험을 실시간으로 학습하여 의사결정 임계값을 조정하는 지능적인 트리아지 (Triage) 메커니즘은 부족했습니다.

2. 제안 방법론: BUSD-Agent (Methodology)

저자들은 BUSD-Agent라는 새로운 경험 기반 캐스케이드 (Cascaded) 멀티 에이전트 프레임워크를 제안합니다. 이 시스템은 선별 (Screening) 과 진단 (Diagnostic) 을 2 단계의 선택적 의사결정 과정으로 모델링합니다.

가. 2 단계 캐스케이드 아키텍처

1. 선별 클리닉 에이전트 (Screening Clinic Agent):
   • 역할: 모든 초음파 이미지를 평가하여 악성 위험과 불확실성이 낮은 경우 (양성/정상) 는 추가 진단 심화를 차단하고, 위험이 높은 경우만 다음 단계로 전달합니다.
   • 도구: 14 개의 경량 분류 모델 (ConvNeXt, Swin, ResNet 등) 패널을 사용하여 앙상블 예측과 신뢰도 점수를 생성합니다.
   • 의사결정: LLM(Orchestration Layer) 이 모델 예측을 통합하여 2 진 (Binary) 선별 결정을 내립니다.
2. 진단 클리닉 에이전트 (Diagnostic Clinic Agent):
   • 역할: 선별 에이전트에서 전달된 고위험 사례에 대해 상세한 병변 특성 분석과 생검 추천 여부를 결정합니다.
   • 도구: 다중 태스크 분류기 (BIRADS, 병변 가장자리, 경계, 석회화 등), VLM(시각 - 언어 모델) 을 활용한 구조화된 방사선 보고서 생성, 객체 탐지 (YOLOv11), 분할 (U-Net), 확대/중첩 분석 도구 등을 통합합니다.
   • 의사결정: LLM 이 다양한 도구 출력과 ReAct(Reasoning + Acting) 루프를 통해 구조화된 분석 단계를 수행한 후 최종 생검 추천을 결정합니다.

나. 경험 기반 컨텍스트 적응 (Experience-Guided In-Context Adaptation)
이 프레임워크의 핵심 혁신은 **메모리 뱅크 (Memory Bank)**와 **검색 기반 적응 (Retrieval-based Adaptation)**입니다.

• 구조화된 결정 궤적 (Structured Decision Trajectories): 과거 조직학적 확인 (Pathology-confirmed) 결과, 이미지 임베딩, 모델 예측, 에이전트 행동, 최종 생검 결과를 메모리 뱅크에 저장합니다.
• 유사성 기반 검색 (Similarity-based Retrieval): 새로운 사례가 입력되면, 이미지 임베딩과 악성도 신뢰도 벡터 (Malignancy Confidence Vector) 의 결합된 유사도 메트릭을 사용하여 메모리 뱅크에서 가장 유사한 K 개의 과거 사례 (Top-K) 를 검색합니다.
  • 선별 단계: 이미지 + 모델 신뢰도 벡터 기반 검색.
  • 진단 단계: 이미지 + 방사선학적 특징 (BIRADS, 경계 등) + 구조화된 설명 기반 검색.
• 적응 메커니즘: 검색된 과거 사례 (Exemplars) 를 LLM 의 컨텍스트 (In-context learning) 로 제공하여, 에이전트가 과거의 성공/실패 경험을 바탕으로 현재 사례에 대한 모델 신뢰도 (Model Trust) 와 에스컬레이션 임계값을 동적으로 조정합니다. 모델 파라미터 업데이트 없이 성능을 개선합니다.

3. 주요 기여 (Key Contributions)

1. BUSD-Agent 프레임워크 개발: 임상 트리아지 프로세스를 모방한 2 단계 캐스케이드 멀티 에이전트 시스템과 이를 지원하는 도구 세트 (분류, 탐지, 분할, 설명 생성) 를 구축했습니다.
2. 경험 기반 정책 적응 메커니즘: 고정된 로직 대신, 과거 조직학적 결과를 기반으로 한 구조화된 궤적 검색을 통해 에이전트의 의사결정 정책을 동적으로 조정하는 방식을 제안했습니다.
3. SOTA VLM 벤치마킹: 10 개의 유방 초음파 데이터셋을 대상으로 10 개의 상용 및 오픈소스 VLM 을 평가하여, 단순 VLM 은 선별/진단 단계에서 민감도 - 특이도 트레이드오프가 불안정함을 입증했습니다.
4. 파라미터 없는 자기 개선: 추가 학습 없이 과거 경험을 컨텍스트로 활용하여 불필요한 생검을 줄이면서도 민감도를 유지하는 것을 실증했습니다.

4. 실험 결과 (Results)

10 개의 유방 초음파 데이터셋 (BUET-BUSD, BUSBRA, BUS-UCLM 등) 에서 평가되었습니다.

• 성능 개선:
  • 선별 단계: 진단 에스컬레이션 비율이 **84.95% → 58.72%**로 감소, 평균 특이도 (Specificity) 가 68.48% 향상.
  • 진단 단계: 전체 생검 추천 비율이 **59.50% → 37.08%**로 감소, 진단 특이도가 6.33% 향상.
  • 오류 감소: 위양성 (False Positive) 비율이 평균 25.19% 감소했으나, 민감도 (True Positive Rate) 는 거의 유지됨 (-0.15% 감소).
• 벤치마크 비교: 제안된 BUSD-Agent 는 GPT-4o, Gemini 2.5 Pro, Llama-3.2 등 다양한 최신 VLM 보다 균형 잡힌 정확도 (Balanced Accuracy) 와 민감도 - 특이도 트레이드오프에서 우수한 성능을 보였습니다.
• Ablation Study:
  • 검색된 사례 수 (K) 는 10 일 때 최적의 성능을 보였습니다.
  • 이미지만 또는 모델 출력만 사용하는 것보다 이미지와 모델 출력을 결합한 유사도 메트릭이 더 높은 특이도를 달성했습니다.

5. 의의 및 결론 (Significance)

• 임상적 가치: 이 연구는 불필요한 생검과 진단 심화를 크게 줄임으로써 환자의 불안을 완화하고 의료 비용을 절감하며, 의료진이 실제 고위험 환자에게 집중할 수 있도록 지원합니다.
• 기술적 혁신: 고정된 규칙 기반 시스템의 한계를 넘어, 과거의 성공적인 임상 경험을 실시간으로 참조하여 에이전트가 스스로 적응하는 '경험 기반 자기 적응형' AI 시스템의 새로운 패러다임을 제시했습니다.
• 확장성: 파라미터 업데이트 없이도 성능을 개선할 수 있어, 새로운 데이터가 축적될 때마다 시스템을 재학습하지 않고도 지속적인 성능 향상이 가능한 유연한 구조를 가집니다.

이 논문은 의료 영상 분석 분야에서 단순한 분류 모델을 넘어, **맥락적 추론 (Contextual Reasoning)**과 과거 경험 학습을 결합하여 실제 임상 워크플로우의 효율성을 극대화하는 중요한 진전을 보여줍니다.