AMIE, 네이처에 등장: 말하기-생각하기 분리가 통했다

지난 2년 동안 AMIE는 진단용 챗봇이었다. 한 번의 대화, 하나의 감별진단, 그리고 끝. Google의 최신 연구는 이를 단일 진료의 범위를 넘어, 여러 차례의 진료에 걸쳐 치료법을 선택하고, 검사를 지시하고, 처방전을 작성해야 하는 더 복잡한 지속 진료의 현실로 확장한다.

AMIE가 넓어진 영역: 치료 선택, 추적 관찰, 처방

AMIE(Articulate Medical Intelligence Explorer)는 Google Research와 Google DeepMind의 의료 대형 언어 모델 시스템이며, 최신 연구는 이를 일회성 진단에서 장기적인 질병 관리로 확장했다. 이전 AMIE가 감별진단을 제시하고 멈췄다면, 질병 관리 버전은 이어지는 진료를 추론한다. 치료 선택, 질병 진행 모니터링, 치료 반응 평가, 적절한 검사 지시, 추적 관찰 일정 수립, 가이드라인에 맞춘 처방까지 다룬다 . 이는 “무엇이 문제인가”에 답하는 데서 “다음에는 무엇을 해야 하는가”를 관리하는 쪽으로 개념이 바뀐 것이다.

빠른 답변: AMIE는 Google의 의료 LLM이며, 이제 단일 진료 진단에서 여러 차례의 진료에 걸친 질병 관리로 확장됐다. 치료 선택, 모니터링, 검사, 추적 관찰, 처방을 포함한다. 질병 관리 연구는 2026년 6월 4일 Nature에 승인됐고, 2026년 6월 21일 전후로 가속 공개 프리뷰가 드러났다.

이는 AMIE의 대화형 진단 연구 흐름을 확립한 2025년 Nature 진단 논문(arXiv:2401.05654로 프리프린트 공개)을 직접 기반으로 한다 . 질병 관리 확장 연구는 2025년 3월 8일 arXiv에 처음 게시됐고(arXiv:2503.06074), 이후 Nature 동료심사를 통과했다. 2026년 6월 4일 승인됐으며, 2026년 6월 21일 전후 보도에서 가속 공개 논문 프리뷰로 공개됐다 .

임상 사례는 영국 NICE Guidance와 BMJ Best Practice 콘텐츠를 중심으로 구성됐고, 이러한 근거 기반은 이제 구조적인 요소가 됐다. Google DeepMind는 BMJ와 협력해 BMJ Best Practice를 임상 AI 평가의 공식 참조 표준으로 삼고 있다 . 어떤 벤치마크 수치를 읽기 전에도 중요한 전제가 하나 있다. Google은 이를 엄격히 실험적 연구라고 부른다. 제품 출시도, 배포 일정도, 공개 가중치도 없다. 모니터링 없는 의료 사용의 안전 위험을 이유로 모델 코드와 가중치는 공개하지 않았다 .

환자와 대화하는 LLM과 처방 추론기를 분리하다

AMIE의 가장 큰 아키텍처 변화는 더 이상 하나의 모델이 아니라는 점이다. 질병 관리 버전은 두 에이전트로 나뉜다. 실시간 텍스트 대화를 담당하는 환자-facing Dialogue Agent, 그리고 채팅 밖에서 무거운 임상 추론을 수행하는 별도의 Management Reasoning Agent다. 저자들은 이를 “Mx Agent”라고 부른다. 이 구조는 지연시간에 민감한 프런트엔드와, 느리지만 문서에 근거한 백엔드를 분리한다. 논문에서 가장 본떠볼 만한 부분도 바로 여기다 .

Dialogue Agent는 동기식이고 공감적인 대화를 처리한다. 병력을 수집하고, 여러 번의 진료에 걸쳐 상태를 유지하며, 대화가 끊기지 않게 이어간다. 이 에이전트는 Gemini 1.5 Flash 기반으로 작동하며, 의학적으로 관련된 작업에 대해 지도 미세조정과 RLHF/RLAIF를 적용했다. 이전 진단용 AMIE 연구에서 사용한 PaLM-2 기반에서 의도적으로 바꾼 것이다 . Flash는 더 저렴하고 빠른 계층이기 때문에, 깊은 검색보다 반응성이 중요한 구성요소에 잘 맞는다.

Mx Agent는 정반대의 일을 한다. Gemini의 긴 컨텍스트 모델을 사용해 전체 장기 환자 기록을 권위 있는 출처와 대조한다. 수백 페이지에 달하는 임상 가이드라인과 의약품 처방집을 함께 참고하고, 해당 자료로 되돌아가는 인라인 인용이 포함된 구조화된 다회차 진료 계획을 출력한다 . 이 추론은 모델 가중치 안에 박혀 있는 지식이 아니라, 추론 시점에 모델이 읽는 문서에 기반한다. 그래서 진료 계획은 자신이 따른 가이드라인을 직접 가리킬 수 있다.

모델 계열 선택도 명시적이었다. 연구팀은 Gemini의 긴 컨텍스트 처리 능력과 상대적으로 낮은 환각률을, 더 작거나 짧은 컨텍스트 모델이 아니라 Gemini를 추론 에이전트의 기반으로 삼은 이유로 든다 . 가이드라인 텍스트와 환자 타임라인을 하나의 프롬프트에 넣고 처방 결정을 요구할 때 실제로 발목을 잡는 제약은 컨텍스트 창과 조작된 내용의 발생률이다.

Google Research와 DeepMind 저자들은 이 설계를 이렇게 설명한다. “긴 컨텍스트 추론은 관리 에이전트가 계획을 제안하기 전에 전체 장기 기록을 권위 있는 가이드라인과 처방집에 대조할 수 있게 한다” (source: Google Research).

의학을 걷어내면, 가져다 쓸 수 있는 패턴은 분명하다. 사용자-facing 루프에는 빠른 대화형 프런트엔드를 두고, 외부 권위 기준에 맞아야 하는 작업에는 더 느리지만 검색에 근거한 추론 백엔드를 둔다. 법률, 금융, 컴플라이언스 같은 수직형 LLM 애플리케이션을 만드는 개발자에게는, AMIE 자체가 실제 제품으로 출시되는지와 무관하게 이 관심사 분리가 옮겨갈 수 있는 교훈이다 .

처방집 기반 약물 시험: 난이도별 PCP와 AMIE 비교

약물 결정에 특화해 추론 백엔드를 강하게 검증하기 위해, 연구팀은 미국 OpenFDA 데이터셋과 영국 국가 처방집(BNF)이라는 두 국가 약물 처방집에서 가져온 약 600개의 객관식 문항으로 새 벤치마크 RxQA를 만들었다 . 전문의 자격을 갖춘 약사들이 정답을 검증하고 각 문항을 낮은 난이도 구간(N=282)과 높은 난이도 구간(N=318)으로 보정했으며, 문항은 적응증, 금기, 용량, 부작용, 약물 상호작용을 아우른다 . RxQA가 중요한 이유는 이 정도 범위에서 공개되어 있고 처방집에 근거한 약물 추론 벤치마크가 없었기 때문이다. 덕분에 임상 LLM을 평가하려는 이들의 벤치마크 구축 비용이 낮아진다.

결과는 난이도에 따라 뚜렷하게 갈렸다. 낮은 난이도의 오픈북 문항에서는 AMIE가 73.8%, 1차 진료의(PCP)가 67.4%를 기록했지만, 이 차이는 일반적인 유의성 기준을 넘지 못했다(p=0.071). 차이는 더 어렵고 약물 라벨 의존도가 높은 문항에서 나타났으며, 바로 처방집 텍스트를 검색 기반으로 근거 삼아 추론하는 방식이 힘을 발휘해야 하는 지점이다.

높은 난이도 구간에서 AMIE는 오픈북 기준 57.9%로 47.8%의 PCP보다 높았고(p<0.001), 클로즈드북에서도 50.6% 대 41.5%로 앞섰다(p=0.013) . 빌더들이 주목할 점은 두 가지다. 첫째, 이긴 시스템조차 어려운 문항에서는 약 58%에 그친다. RxQA는 사람과 기계 모두에게 실제로 어렵기 때문에, 이미 포화된 벤치마크가 아니라 변별력 있는 벤치마크다. 둘째, 문항이 Management Reasoning Agent가 겨냥한 라벨 의존 검색을 요구할수록 AMIE의 우위가 커지고, 대부분의 임상의가 기억으로 답하는 일상적 문항에서는 통계적 잡음 수준으로 좁아진다. 외부 권위 자료에 대한 근거 확인이 결정적인 곳에 성능 향상이 집중된다는 이 패턴은, 대화 모듈과 추론 모듈을 나누는 방식이 단순한 아키텍처 취향이 아니라 경험적으로 뒷받침된다는 근거다 .

전문의 블라인드 평가: 21명의 PCP와 함께한 모의 진료

핵심 근거는 무작위 배정된 블라인드 가상 OSCE에서 나왔다. 이 평가에서 AMIE는 21명의 1차 진료의와 비교되었고, 100개의 다회 방문 사례 시나리오가 사용되었다. 각 사례는 장기 추적 진료를 시뮬레이션하기 위해 텍스트 기반 진료 3회로 구성됐다 . 훈련받은 환자 배우가 환자를 연기했고, 전문의 평가자들은 자신이 AMIE를 채점하는지 사람 의사를 채점하는지 모르는 상태에서 세 번의 방문 동안 15개 관리 계획 축에 따라 모든 만남을 평가했다. 사례는 영국 NICE 가이드라인과 BMJ Best Practice 콘텐츠를 바탕으로 만들어졌으며, 평가 기준을 평가자의 직관이 아니라 출판된 표준에 고정했다 .

전반적으로 평가자들은 AMIE의 관리 계획이 PCP의 계획과 최소한 동등하다고 판단했으며, 특정 차원에서는 유의미한 차이를 보였다. 첫 진료에서 전체 적절성은 AMIE가 88%, PCP가 74%였고(p=0.019), 첫 방문의 적절한 추적 권고는 100% 대 98%에 도달했다(p<0.001) . 이 격차는 헤드라인 숫자 자체보다 일관성에 대해 더 많은 것을 보여준다. AMIE는 가이드라인이 요구할 만한 필수 추적 단계를 놓치는 경우가 드물었다.

가장 크고 안정적인 차이는 구체성이었다. 즉 권고가 막연히 맞는 수준이 아니라 실제 행동으로 옮길 수 있을 만큼 정확한지에 관한 것이다. 치료 권고의 구체성은 세 차례 진료 모두에서 AMIE가 90% 안팎을 유지한 반면 PCP는 약 70%에 머물렀다. 검사 권고의 구체성은 첫 방문 이후 벌어졌는데, AMIE는 매번 근거 가이드라인을 제시하면서 적절한 검사를 선택하고 불필요한 검사는 피했다.

검사 권고의 구체성은 첫 진료에서 91%로 같았지만, 이후 AMIE가 2차 방문에서 99% 대 84%, 3차 방문에서 100% 대 88%로 앞서 나갔다 . 이 패턴은 처방집 결과가 드러낸 것과 같은 메커니즘을 가리킨다. 계획을 명시적 참조 표준에 맞서 방어해야 하는 곳에서 Management Reasoning Agent의 긴 컨텍스트 기반 근거화가 가장 큰 효과를 낸다는 것이다.

"전문의 평가자들은 AMIE의 관리 계획이 전반적으로 1차 진료의의 계획과 최소한 동등하며, 치료 및 검사 권고의 정밀성을 포함한 여러 특정 축에서는 유의미하게 더 낫다고 판단했다." - Google Research, Nature 연구 요약 (source: Google Research, 2026-06)

AMIE가 구체성에서 PCP를 앞선 지점과 차이가 사라진 지점

AMIE가 가장 꾸준히 우위를 보인 부분은 적절성보다 구체성이었다. 세 차례의 모의 진료 전반에서 전문의 평가자들은 AMIE의 치료 권고가 "충분히 정밀하다"고 판단한 비율을 각각 94%, 90%, 91%로 평가했다. 이에 비해 일차진료 의사는 67%, 70%, 70%였다 . 검사 권고의 정밀도는 첫 번째 방문에서 91%로 같게 출발했지만, 두 번째 방문에서는 99% 대 84%, 세 번째 방문에서는 100% 대 88%로 벌어졌다 . 패턴은 일관된다. AMIE는 불필요한 검사를 피하면서 적절한 검사를 선택했고, 각 단계를 명시된 가이드라인과 연결했다.

그 근거 제시가 격차를 만든 메커니즘이다. NICE나 BMJ Best Practice 내용을 명시적으로 인용한 계획은 눈가림된 전문의가 정밀하다고 평가하기 더 쉽다. 기준이 암시되어 있는 것이 아니라 페이지 위에 직접 제시되어 있기 때문이다.

"전문의 평가자들은 AMIE의 관리 계획이 전반적으로 일차진료 의사의 계획과 최소한 동등하며, 치료 및 검사 권고의 정밀도를 포함한 여러 특정 축에서는 유의하게 더 우수하다고 판단했다." — Nature 연구를 요약한 Google Research (source: Google Research, 2026-06)

다만 이 우위에는 조건이 붙는다. 난도가 낮은 RxQA 문항에서 AMIE는 73.8%를 기록했고 PCP는 67.4%였다. 이 차이는 통계적으로 유의하지 않았다 (p=0.071). AMIE의 약물 지식 우위는 더 어렵고 라벨 의존적인 질문에 집중되었다. 이는 배포 관점에서 중요하다. 일상적이고 복잡도가 낮은 의사결정에서는 모델이 의사보다 측정 가능한 이점을 제공하지 못했기 때문이다. 오픈북 RxQA 설정 역시 본질적으로 검색 증강 시스템에 유리하다. 추론 시점에 실시간 처방집 접근이 없는 워크플로라면, 클로즈드북 결과인 AMIE 50.6% 대 41.5% (p=0.013)가 더 의미 있는 신호다.

이 비율들은 운영 환경에서 보장되는 성능이 아니라 파일럿 규모의 가능성 신호로 읽어야 한다. 저자들은 15개 축으로 구성된 관리 점수 루브릭에도 추가적인 독립 검증이 필요하다고 밝혔다. 따라서 이 차이는 실제 진료에서 확정된 정확도 하한선이 아니라, 하나의 점수 체계 아래에서 통제된 OSCE가 보여준 결과다 .

저자들이 짚은 한계: 환자 배우, 인위적 시간표, 측정된 결과 없음

이 연구의 모든 한계는 같은 방향을 가리킨다. 통제된 시뮬레이션이지 임상 근거는 아니라는 점이다. AMIE는 명시적으로 실험 단계의 시스템이며 실제 진료에서 검증되지 않았다. 저자들도 OSCE 수치를 배포 의사결정에 그대로 가져가면 안 되는 이유를 분명히 설명한다 . 이 진료 상황에는 훈련된 환자 배우, 구성된 사례, 텍스트 전용 방문이 사용되었다. 셋 모두 일상적인 일차진료가 실제로 운영되는 방식과는 다르다 .

몇 가지 설계 선택은 현실의 어려움을 압축하거나 비껴갔다:

• 인위적인 시간표. 방문 간 간격은 대략 1~2일이었다 . 만성질환이 실제로 진행되는 몇 주에서 몇 달 단위의 간격이 아니었다. 따라서 장기 "추적 관찰"은 임상의가 마주하는 기억, 변화, 추적 실패 문제 없이 테스트된 셈이다.
• 지역과 가이드라인의 불일치. 사례는 영국 NICE Guidance와 BMJ Best Practice를 바탕으로 구성된 반면, 비교 대상인 PCP 21명은 북미와 인도에서 모집되었다 . 같은 문서에 근거해 작동하는 에이전트에게는 홈그라운드 이점이 생긴다.
• 단일 시스템으로 단순화됨. 모의 단일 의료시스템 시나리오는 실제 진료의 파편화된 기록, 의뢰, 지불자 제약을 빠뜨린다. 또한 텍스트 전용 인터페이스는 멀티모달 원격의료와도 다르다 .

측정의 공백도 그만큼 중요하다. 실제 환자 결과는 기록되지 않았다. 연구가 측정한 것은 회복, 위해, 비용이 아니라 루브릭 점수였다 . 15개 축의 관리 점수 루브릭은 여전히 추가 검증이 필요하며, RxQA는 실제 현장에서 약사의 지원을 받는 약물 의사결정에 비해 어렵고 라벨 의존적인 문항에 과도하게 무게를 둘 수 있다 .

개발자에게 가장 중요한 단서는 접근성이다. AMIE의 모델 코드와 가중치는 오픈소스로 공개되지 않았다. Google은 모니터링되지 않는 의료 사용의 안전 위험을 이유로 들었다 . Google은 실제 가상 진료 환경에서 AI를 평가하는 전국 단위 무작위 연구를 향후 과제로 설명했지만, 일정, 제품, 가격은 발표하지 않았다 . 이는 아키텍처를 배울 수 있는 가능성의 이정표로 보아야 한다. 실행하거나, 감사하거나, 배포할 수 있는 시스템은 아니다.

아키텍처에서 얻을 점: 관심사 분리가 통했던 이유

여기서 가장 이식하기 쉬운 성과는 의학적 성과가 아니라 아키텍처다. 환자와 마주하는 대화와 권위 있는 문서를 바탕으로 한 추론을 분리하고, 각각에 맞게 조정된 모델에서 실행한다는 점이다. AMIE는 동기식 채팅을 Gemini 1.5 Flash 기반의 공감형 Dialogue Agent로 라우팅하며, 이 모델은 지도 미세조정과 RLHF/RLAIF를 거쳤다. 한편 별도의 깊이 있는 Management Reasoning Agent("Mx Agent")는 Gemini의 긴 컨텍스트 추론을 사용해 전체 종단 환자 기록을 수백 페이지의 가이드라인 및 처방집과 교차 검토한다 . 검증된 코퍼스에 대한 긴 컨텍스트 검색을 기반으로 한 이 대화+추론기 패턴이 다른 도메인으로 가져갈 수 있는 설계 선택이다.

이 연구를 단일 사례 이상으로 만드는 자산은 두 가지다. 첫째, RxQA는 OpenFDA와 British National Formulary에서 추출한 약 600개의 객관식 문항으로 구성되어 있으며, 전문의 자격을 갖춘 약사들이 검증하고 난이도를 평가했다. 이제 처방집 기반의 재사용 가능한 의약품 벤치마크가 되었기 때문에, 팀마다 테스트 세트를 새로 만들지 않고도 임상 LLM을 평가하는 비용을 낮춘다 . 둘째, Google DeepMind는 BMJ Best Practice를 임상 AI 평가를 위한 공식 참조 표준으로 채택했다 . 이는 가이드라인에 고정된 벤치마킹이 어디로 향하는지를 보여준다. 법령, 금융 규제, 공학 사양처럼 확립된 장문 표준이 있는 모든 수직 분야에서 비슷한 권위 코퍼스 패턴이 나타날 가능성이 크다.

실무에서 과소평가되기 쉬운 부분은 제약 조건이다. AMIE가 측정상 보인 장점, 즉 세 차례 방문에서 정밀한 치료 권고가 각각 94%, 90%, 91%로 평가된 반면 PCP는 67%, 70%, 70%였다는 결과는, 추론기에 공급되는 라이선스 기반의 최신 가이드라인 및 처방집 콘텐츠에 크게 의존한다 . 권위 있는 외부 코퍼스 없이 같은 2구성요소 아키텍처를 만들면 추론기의 성능은 실질적으로 약해진다. 구조는 이식 가능하지만, 근거 데이터가 곧 제품이다.

구체적인 결론은 이렇다. 지금 관심사 분리와 긴 컨텍스트 기반 접지를 가져오되, 정밀도 향상을 기대하기 전에 라이선스 코퍼스와 도메인 벤치마크 예산을 먼저 잡아야 한다.

자주 묻는 질문

Google의 AMIE 질병 관리 시스템이란?

AMIE(Articulate Medical Intelligence Explorer)는 Google Research와 Google DeepMind의 대규모 언어 모델 기반 의료 AI다. 2026년 6월 중순경 Nature에 accelerated article preview로 공개된 질병 관리 확장은 , AMIE를 일회성 진단을 넘어 종단적 진료로 확장한다. 여기에는 치료법 선택, 적절한 검사 지시, 질병 진행 모니터링, 치료 반응 평가, 후속 진료 일정 수립, 가이드라인에 맞춘 처방이 포함된다. 이는 Nature가 2025년에 발표한 이전 진단용 AMIE 연구를 기반으로 한다 .

새 AMIE의 2구성요소 아키텍처는 어떻게 작동하나?

AMIE는 하나의 챗봇을 두 개의 전문 에이전트로 나눈다. 공감형 Dialogue Agent는 이전 PaLM-2 기반을 대체해 Gemini 1.5 Flash 위에 구축되었고, 지도 미세조정과 RLHF/RLAIF를 거쳤으며, 실시간 환자 대면 텍스트 대화와 상태 관리를 담당한다 . 별도의 깊이 있는 Management Reasoning Agent("Mx Agent")는 Gemini의 긴 컨텍스트 추론을 사용해 전체 종단 환자 기록과 수백 페이지의 임상 가이드라인 및 약물 처방집을 교차 검토하고, 인용이 포함된 구조화된 다회 방문 진료 계획을 생성한다 . 긴 컨텍스트 용량과 낮은 환각률이 Gemini 계열을 선택한 이유로 제시됐다.

RxQA란 무엇이며 AMIE 점수는 무엇을 보여줬나?

RxQA는 국가 약물 처방집인 OpenFDA와 British National Formulary에서 파생한 약 600개의 객관식 의약품 문항으로 구성된 새 벤치마크이며, 전문의 자격을 갖춘 약사들이 난이도 구간을 검증하고 평가했다 . AMIE의 우위는 더 어렵고 라벨 의존적인 문항에서 두드러졌다. 난이도가 높은 오픈북 문항에서 AMIE는 57.9%를 기록해 1차 진료 의사의 47.8%보다 높았지만(p<0.001), 낮은 난이도 문항의 격차(73.8% 대 67.4%)는 통계적으로 유의하지 않았다(p=0.071) .

OSCE 평가는 실제 환자로 진행됐나?

아니다. 무작위 배정, 눈가림 방식의 가상 OSCE는 훈련된 환자 배우를 사용해 100개의 다회 방문 사례 시나리오로 진행됐으며, 각 사례는 텍스트 기반 모의 진료 3회로 구성됐다. 전문의들은 15개 관리 계획 축에 따라 눈가림 상태로 만남을 채점했다 . 실제 임상 결과는 측정되지 않았다. 저자들은 이 점을 명시적인 한계로 언급했으며, 영국 기반 NICE 및 BMJ Best Practice 사례를 북미와 인도 출신 PCP와 비교해 채점한 지리적 가이드라인 불일치, 그리고 방문 간격이 1~2일로 인위적으로 짧았다는 점도 함께 지적했다 .

개발자가 AMIE나 모델 가중치에 접근할 수 있나?

아니다. AMIE의 모델 코드와 가중치는 오픈소스로 공개되지 않았다. Google은 감시되지 않는 의료 사용의 안전성 문제를 이유로 들었다 . 이전 가능한 산출물은 대화+추론기 아키텍처 패턴과, 재사용 가능한 공개 처방집 기반 의약품 추론 벤치마크인 RxQA다. Google은 실제 가상 진료 환경에서 AI를 평가하는 전국 단위 무작위 연구를 향후 과제로 설명했지만, 제품, 가격, 제공 여부, 일정은 발표하지 않았다 .