기술 요약: 대형 암 어시스턴트 (Large Cancer Assistant, LCA)

1. 문제 정의

인공지능(AI)의 임상 종양학 통합은 현재 **단일 구조적 설계(monolithic architectural designs)**에 의해 저해되고 있다. 기존의 멀티모달 딥러닝 시스템은 데이터 수집, 임상 라우팅 로직, 그리고 AI 추론을 하나의 파이프라인 안에 경직되게 결합하고 있다. 이러한 결합은 다음과 같은 체계적 한계를 야기한다:

• 유연성 부족: 특정 작업(예: 폐 결절 분할)을 위해 학습된 모델은 서로 다른 해부학적 프로파일에 쉽게 적응하거나, 데이터 모달리티가 누락되었을 때 발생하는 치명적 실패를 처리하기 어렵다.
• 강한 결합도: 오케스트레이션 로직이 특정 신경망 아키텍처와 불가분하게 연결되어 있어, 전체 시스템을 재설계하지 않고는 하위 AI 모델을 모듈식으로 업데이트하거나 교체하는 것이 불가능하다.
• 실시간 제약 조건: 많은 시스템이 동기적 실행을 위해 설계되었으나, 임상 현장의 현실은 파편화된 환자 이력을 비동기적으로, 사후적으로 합성하는 것을 요구한다.
• 상호운용성 장벽: 전자 의무 기록(EMR)과의 직접적인 통합은 AI 코어를 가변적인 병원 IT 인프라(예: 특정 HL7 FHIR 버전 또는 데이터베이스 스키마)에 종속시켜 시스템을 취약하게 만든다.

본 논문은 임상 의사결정 지원 시스템(CDSS)의 주요 병목 현상이 고립된 알고리즘의 최적화가 아니라, 데이터 이질성과 모듈형 라우팅을 관리하기 위한 시스템 엔지니어링에 있다고 주장한다.

2. 방법론

저자들은 데이터 관리를 AI 추론으로부터 분리하도록 설계된 모델 불가지론적(model-agnostic) 오케스트레이션 프레임워크인 **대형 암 어시스턴트(LCA)**를 제안한다. 이 방법론은 오케스트레이션 로직이 하위의 "블랙박스" AI 모델과 엄격히 독립되어 있음을 보장하는 알고리즘 불투과성(Algorithmic Impermeability) 원칙에 근거한다.

2.1. 수학적 정식화

LCA는 다음과 같은 7-튜플 아키텍처로 정의된다:
$$LCA = (\mathcal{E}, \mathcal{P}, f_{DP}, f_{CS}, f_{LCD}, f_{LCR}, f_{LCW})$$
여기서:

• $\mathcal{E}$: 환자 데이터의 입력 공간.
• $\mathcal{P}$: 임상 프로토콜 카탈로그.
• $f_{DP}$: 데이터 전처리 모듈 (Data Preprocessing Module).
• $f_{CS}$: 암 스위칭 모듈 (Cancer Switching Module, 라우팅).
• $f_{LCD}$: 대형 암 진단 모듈 (Large Cancer Diagnostic Module).
• $f_{LCR}$: 대형 암 치료 모듈 (Large Cancer Remedy Module).
• $f_{LCW}$: 대형 암 워딩 모듈 (Large Cancer Wordings Module).

시스템은 공유된 라우팅 컨텍스트($\hat{P}$)를 모듈을 통해 전달하는 **단방향 유향 비순환 그래프(Directed Acyclic Graph, DAG)**로 작동한다.

2.2. 엔트리 이론 (입력 정식화)

멀티모달 이질성을 처리하기 위해, 저자들은 구조적 특성을 임상적 의미론으로부터 분리하여 환자 데이터를 정식화하는 **엔트리 이론(Entry Theory)**을 도입한다:

• CS 축 (구조적): 기하학적 딥러 learning(GDL)을 기반으로, 데이터는 도메인 $(\Omega, \mathbb{G})$ 상의 기하학적 신호 $x$로 정의되어 공간 데이터(CT/MRI), 텍스트 데이터, 표 형식의 지표를 공통된 수학적 표현으로 통합한다.
• 의료 축 (Medical Axis): 각 엔트리는 출처($\rho$), 용도($u$), 인식론적 확실성($\kappa$)을 나타내는 의료 시그니처(Medical Signature) $\sigma = (\rho, u, \kappa)$로 보강된다.
• 독립성: 구조적 축과 의료 축는 수학적으로 독립적이며, 이를 통해 시스템은 임상적 맥락을 변경하지 않고도 다양한 데이터 토폴로지를 처리할 수 있다.

2.3. 핵심 모듈

1. 데이터 전처리 모듈 (DPM): 원시 이질적 입력을 출처($\rho$)에 기반하여 정형화된 표현으로 매핑하며, 의료 시그니처를 보존한다.
2. 암 스위칭 모듈 (CSM): 중앙 라우팅 엔진이다. 두 가지 변형을 지원한다:
   • V1 (결정론적): 명시적으로 정의된 파라미터에 따라 데이터를 라우팅한다.
   • V2 (확률론적): 신뢰 점수를 기반으로 관련 암 프로토콜을 탐지하는 학습된 함수를 사용하는 자율 라우터이다 (현재 개념 증명 단계에서는 이론적으로 명시되었으나 제외됨).
   • 안전 메커니즘: 프로토콜이 활성화되지 않을 경우, CSM은 null 토큰($\perp$)을 방출하여 파이프라인을 중단시킨다.
3. 추상 AI 모듈 (LCDM 및 LCRM): 이 모듈들은 진단 및 치료 로직을 구현한다. 이들은 엄격한 인터페이스 계약을 준수한다. 결정적으로, 이들은 전제 조건 실패( $\perp$ 방출)와 추론 실패(CODE_FAIL 방출)를 구분함으로써, AI 모델이 내부적으로 실패하더라도 오케스트레이션 계층이 견고함을 유지하도록 한다.
4. 대형 암 워딩 모듈 (LCWM): 모든 출력을 집계하는 최종 노드이다. 자연어 내러티브를 생성하며, 특히 상위 모듈에서 실패가 발생할 경우 **보충 데이터 요청(Supplementary Data Requests, SDR)**을 관리한다.

2.4. 표준화된 중간 페이로드 (Standardized Intermediate Payload, SIP)

LCA는 엄격한 아키텍처 경계 역할을 하는 독자적인 JSON 구조인 **표준화된 중간 페이로드(SIP)**를 출력한다.

• 디커플링 (Decoupling): SIP는 원시 데이터 대신 구조화된 데이터 참조(외부 ID를 가리키는 포인터)를 포함하며, 하위 의존성을 방지하기 위해 특정 신경망 버전과 같은 AI 모델의 정체성을 명시적으로 제외한다.
• 실패 안전성: SIP 구조는 오케스트레이션 중단(SDR 트리거)과 추론 오류를 구분하여, 데이터 누락 시 침묵하는 실패(silent failure) 대신 인간의 개입을 목표로 하는 타겟팅된 요청이 이루어지도록 보장한다.

3. 주요 기여

• 알고리즘 불투명성 (Algorithmic Impermeability): 인터페이스 계약이 충족되는 한, 시스템 수준의 오케스트레이션 투영(라우팅, 실패 처리, 출력 스키마)이 하위 AI 모델의 교체에도 불변임을 보장하는 공식적 보증을 제공한다.
• 엔트리 이론 (Entry Theory): 기하학적 딥러닝을 사용하여 멀티모달 임상 입력을 표준화함으로써, 데이터 토폴로지와 임상적 출처 사이의 수학적 독립성을 확보하는 새로운 정식화를 제시한다.
• 이중 변형 라우팅: 결정론적 파라미터화(V1)와 자율적 확률 탐지(V2)가 모두 가능한 모듈형 암 스위칭 모듈을 제공한다.
• 아키텍처 경계 (SIP/SDR): AI 코어를 가변적인 EMR 인프라로부터 격리하고, 데이터 이상 발생 시 "인간 참여형(human-in-the-loop)" 안전 메커니즘을 강제하는 SIP와 구조화된 피드백 루프(SDR)를 도입하였다.

4. 결과 (개념 증명)

저자들은 오케스트레이션 동작에 초점을 맞추어 네 가지 기술적 시나리오를 통해 개념 증명(PoC)을 검증하였다:

1. 정상 흐름 (Nominal Flow): 파이프라인이 $N=10$의 모든 실행에서 엔드 투 엔드로 완료되었으며, 오케스트레이션 오버헤드는 약 0.04 ms로 매우 미미했다. 이는 일반적인 3D 추론 시간과 비교했을 때 시스템이 실질적인 지연을 추가하지 않음을 확인시켜 준다.
2. 알고리즘 불투명성: 아키텍처가 다른 두 가지 진단 스텁(U-Net 스타일 vs. SegResNet 스타일)을 성공적으로 교체하였다. 라우팅 투영은 100% 불변($\pi$-equality)을 유지하면서도 진단 내용은 달라졌으며, 이는 제안된 명제를 경험적으로 입증한다.
3. 실패 안전성:
   • 모듈 실패: 데이터 손상이나 모달리티 누락이 발생한 경우, 시스템은 **100%의 SDR 재현율(recall)**을 달적으로 달성하여 실패 원인을 정확히 식별하고 타겟팅된 데이터 요청을 방출하였다.
   • 타입 안전성: 잘못된 입력(예: 빈 이력 $T=0$)은 생성 시점에 100% 정확도로 거부되어 침묵하는 실패를 방지하였다.
4. 다중 프로토콜 실행: 프레임워크는 두 개의 독립적인 암 프로토콜을 교차 오염 없이 동시에 성공적으로 실행하였으며, 이를 통해 아키텍처의 모듈성을 검증하였다.

5. 의의 및 주장

본 논문은 LCA를 단순한 새로운 진단 모델이 아니라, 현재 종양학 AI 배포의 구조적 결함을 해결하기 위한 시스템 엔지니어링 솔루션으로 규정한다.

• 모놀리스를 넘어선 모듈화: 데이터 수집과 추론을 구조적으로 분리함으로써, LCA는 기존의 모놀리식 융합 아키텍처에서는 불가능했던 "전체 워크플로우의 재검증 없는 AI 모델 교체"를 가능하게 한다.
• 상호운용성 준비: SIP는 AI 코어를 하위 IT 변동성으로부터 격리하는 명확한 경계를 설정한다. 병원 데이터베이스나 상호운용성 표준(예: HL7 FHIR)이 변경되더라도 상위 LCA 모듈을 수정할 필요가 없다.
• 설계에 의한 안전 (Safety by Design): 본 프레임워크는 "침묵하는 실패 없음" 정책을 강제한다. 증거가 누락되거나 유효하지 않을 경우 시스템은 체계적으로 파이프라인을 중단하고 인간의 개입을 위한 타겟팅된 요청을 트리거하며, 이는 임상 의사결정 지원 시스템의 안전 원칙과 일치한다.
• 확장성: 아키텍처는 암 종류에 구애받지 않고 프로토콜 일반적인 방식으로 설계되어, 특정 암 유형에 대한 경직된 결합 없이 여러 병리학적 파이프라인으로 확장 가능하다.

저자들은 LCA가 현재 종양학 정보학의 "핵심적 공백", 즉 멀티모달 데이터 수집과 딥러닝 추론를 구조적으로 분리하는 메커니즘의 부재를 해결하는 기초적이고 적응 가능한 오케스트레이션 계층을 제공한다고 결론짓는다. 향-후 연구 범위는 SIP를 HL7 FHIR 표준으로 독립적으로 번역하는 것과 확률적 라우팅 변형(V2)의 경험적 검증을 포함한다.