Evo-MedAgent는 의료 AI 에이전트에 사례 간 학습 능력을 부여하는 자기 진화 메모리 모듈이다. 과거 유사 사례를 검색하는 Retrospective Clinical Episodes, 진단 규칙을 우선순위 태그와 함께 보강하는 Adaptive Procedural Heuristics, 도구별 신뢰도를 추적하는 Tool Reliability Controller 3개 저장소로 구성된다. 흉부 X선 해석 벤치마크 ChestAgentBench에서 GPT-5-mini 정확도를 0.68→0.79로, Gemini-3 Flash는 0.76→0.87로 끌어올렸다. 추가 학습 없이 frozen 모델 위에 배포 가능하고 케이스당 검색 1회·반성 1회로 오버헤드가 제한된다.
- •3개 메모리 저장소(임상 사례·적응적 절차 규칙·도구 신뢰도)로 구성된 자기 진화 메모리
- •ChestAgentBench에서 GPT-5-mini 정확도 0.68→0.79, Gemini-3 Flash 0.76→0.87 향상
- •추가 훈련 없이 frozen 모델 위에 바로 배포 가능, RL 비용 불필요
- •케이스당 오버헤드: 검색 1회 + 반성 호출 1회로 제한
- •질적 진단 과제에서는 외부 도구 오케스트레이션보다 메모리 진화가 더 효과적
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Evo-MedAgent: Beyond One-Shot Diagnosis with Agents That Remember, Reflect, and Improve
- 1.의료 AI 에이전트가 과거 진단 경험을 학습하도록 3저장소 메모리 추가
- 2.무훈련 구조라 기존 모델에 바로 적용 가능, 추가 비용 최소
- 3.강한 base 모델에선 도구 확장보다 메모리 개선이 더 큰 향상 제공
왜 중요한가?
현재 의료 진단 에이전트는 매 케이스를 독립적으로 처리해 경험 축적이 불가능했다. Evo-MedAgent는 전문의가 경험을 쌓듯 에이전트도 사례 간 학습이 가능함을 보여주며, 훈련 없이 배포 가능한 구조라 실무 도입 장벽이 낮다.
본문 미리보기
arXiv:2604.14475v1 Announce Type: new Abstract: Tool-augmented large language model (LLM) agents can orchestrate specialist classifiers, segmentation models, and visual question-answering modules to interpret chest X-rays. However, these agents still solve each case in isolation: they fail to accumulate experience across cases, correct recurrent reasoning mistakes, or adapt their tool-use behavior without expensive reinforcement learning. While a radiologist naturally improves with every case,
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 22:30AI 초안
