마이크로소프트 AI가 의사보다 진단을 잘했다? 83% 성적표의 의미와 한계

마이크로소프트가 의사가 하듯 질문하고 검사를 고른 뒤 진단을 좁혀 가는 인공지능 시스템의 연구 결과를 공개했다. 논문은 미국 현지시간 10월 22일 국제 학술지 《사이언스》에 실렸고, 회사는 어려운 과거 사례에서 이 시스템이 일반 진료 의사보다 높은 정답률을 보였다고 밝혔다. 숫자만 보면 “AI가 의사를 이겼다”는 결론으로 뛰어가기 쉽다. 그러나 이번 결과가 뜻하는 것은 당장 환자가 코파일럿에 증상을 적어 처방을 받아도 된다는 말이 아니다. 실제 환자를 대상으로 한 임상 검증은 이제 시작 단계이며, 제품 출시 시점과 이용 방식도 정해지지 않았다.

이번 발표에서 중요한 변화는 AI가 이미 주어진 모든 정보를 한 번에 읽고 병명을 맞히는 시험에서 한 걸음 나아갔다는 데 있다. 현실의 진료실에는 처음부터 정답에 필요한 자료가 모두 놓여 있지 않다. 의사는 환자에게 추가 질문을 하고, 가능한 원인을 몇 가지로 좁히고, 필요한 혈액검사나 영상검사를 선택한다. 새 정보가 들어오면 앞선 가설을 버리기도 한다. 마이크로소프트의 ‘진단 오케스트레이터’는 이 순차적인 과정을 여러 AI 역할이 나눠 수행하도록 설계됐다.

무엇을 시험했고 어떤 결과가 나왔나

연구진은 두 종류의 과거 의료 사례로 시스템을 평가했다. 하나는 《뉴잉글랜드저널오브메디슨》에 실린 복잡한 증례 보고서들이고, 다른 하나는 미국 보스턴 베스이스라엘 디코니스 메디컬센터 응급실의 비식별 과거 진료 자료다. 마이크로소프트는 사례를 한꺼번에 보여 주지 않고, 시스템과 의사가 필요한 정보를 차례로 요청하게 하는 방식의 평가 틀 ‘SDBench’를 만들었다. 진단 과정 자체를 비교하려는 시도다.

《더 버지》가 논문과 회사 설명을 바탕으로 전한 수치는 다음과 같다.

• 의학 증례 보고서 기반 시험에서 AI 시스템의 진단 정확도는 약 83%였다.
• 참고 자료를 사용할 수 있었던 일반 진료 의사는 약 36%, 참고 자료 없이 판단한 의사는 약 22%였다.
• 응급실 과거 사례에서는 AI가 약 80%, 의사 집단이 평균 약 47%를 기록했다.
• AI는 검사 비용을 추정해 반영하는 조건에서도 의사보다 낮은 예상 비용으로 진단에 도달하는 경향을 보였다.

연구진은 오픈AI의 GPT-5를 기반 모델로 사용했다. 다만 하나의 모델에게 “정답을 말해 달라”고 시킨 것이 아니라, 여러 역할이 질문·검사 선택·가설 검토를 이어 가도록 구성했다. 쉽게 말하면 한 명의 AI가 단번에 결론을 내리는 대신, 가상의 의료진 회의처럼 서로 다른 단계의 판단을 연결한 셈이다. 회사는 단일 최신 모델만 사용한 경우보다 이 구조가 더 좋은 성과를 냈다고 설명했다.

논문이 동료 평가를 거쳐 《사이언스》에 실렸다는 점은 의미가 있다. 기업 블로그에만 나온 자체 시연보다 연구 방법과 결과를 외부 연구자가 검토할 수 있는 근거가 생겼기 때문이다. 그러나 동료 평가를 통과했다는 사실과 병원에서 안전하게 쓸 수 있다는 승인은 같은 말이 아니다. 논문은 연구 결과를 검토한 것이지, 의료기기의 실제 진료 사용을 허가한 것이 아니다.

‘순차 진단’이 왜 현실에 더 가까운가

기존 의료 AI 성능 보도에는 함정이 있었다. 시험 문제에 환자의 증상, 검사 결과, 영상 판독, 경과가 모두 적혀 있으면 AI는 긴 문서에서 패턴을 찾는 능력만으로도 좋은 점수를 얻을 수 있다. 하지만 진료의 어려움은 어떤 정보가 빠졌는지 알아채고, 다음에 무엇을 물어볼지 정하는 데 있다. 모든 검사를 주문하면 정답을 찾을 가능성은 올라가지만 환자 부담과 비용, 시간도 커진다.

예를 들어 열과 피로를 호소하는 환자에게 무조건 수십 가지 검사를 하는 것은 좋은 진단이라고 보기 어렵다. 최근 여행 여부, 복용 약, 통증 위치, 증상의 시작 시점 같은 질문 몇 개가 검사 방향을 크게 바꿀 수 있다. 이번 시스템은 이런 식으로 정보를 단계적으로 얻고, 각 단계에서 다음 행동의 필요성을 판단한다. 정확도뿐 아니라 검사 비용을 함께 본 이유도 여기에 있다.

이 방식이 안정적으로 작동한다면 의료진에게는 두 가지 도움이 가능하다. 첫째, 드문 질환이나 놓치기 쉬운 가능성을 다시 확인하는 ‘두 번째 검토자’가 될 수 있다. 둘째, 환자의 기록을 훑고 다음 질문 후보를 정리해 진료 준비 시간을 줄일 수 있다. 환자에게는 의사가 중요한 질문과 설명에 더 많은 시간을 쓰는 효과로 이어질 수 있다.

다만 이것은 가능한 활용 시나리오이지, 이번 논문이 병원 현장에서 그 효과를 입증했다는 뜻은 아니다. 과거 기록으로 정답을 알고 하는 시험과, 정보가 불완전하고 시간이 급박한 실제 응급실은 다르다. 환자가 질문을 오해하거나 기억을 잘못 말할 수 있고, 기록 자체가 부정확할 수도 있다. AI가 제안한 검사를 실제로 시행할 수 없는 상황도 생긴다.

“의사보다 네 배 정확하다”는 표현을 그대로 믿으면 안 되는 이유

마이크로소프트는 어려운 사례에서 최대 네 배 높은 성과를 강조했다. 그러나 비교 조건을 살펴야 한다. 참여한 사람은 모든 분야의 최고 전문의로 구성된 팀이 아니라 일반 진료 의사였고, 시험 사례는 일상적인 감기나 고혈압이 아니라 교육적 가치가 있어 학술지에 실릴 만큼 복잡한 경우가 포함됐다. 특정 질환을 오래 다룬 전문의가 환자를 직접 진찰하고 다른 의료진과 상의하는 현실과는 조건이 다르다.

또 정확도 83%는 매우 높아 보이지만 반대로 말하면 해당 시험에서도 약 6건 중 1건은 맞히지 못했다는 뜻이다. 의료에서는 드문 치명적 오류 하나가 평균 점수보다 중요할 수 있다. 어떤 환자 집단에서 틀렸는지, 인종·성별·연령·지역에 따라 성능 차이가 있는지, 검사 주문이 환자 안전에 어떤 영향을 미치는지는 더 많은 검증이 필요하다.

비용 결과도 실제 병원 청구액과 동일하게 해석해서는 안 된다. 연구 안에서 정한 검사 비용과 선택 규칙으로 계산한 ‘예상 비용’이다. 국가별 의료비와 보험 구조가 다르고, 실제 의사는 진단뿐 아니라 환자의 상태 악화 가능성과 치료 준비까지 고려해 검사를 주문한다. AI가 적은 검사로 답을 맞혔다는 연구 결과가 곧 의료비를 같은 비율로 줄인다는 증거는 아니다.

비교에 사용된 AI 모델의 범위에도 시점 문제가 있다. 연구 시스템은 GPT-5를 기반으로 했고, 논문에는 그 뒤 나온 일부 최신 모델이 포함되지 않았다. 따라서 이번 논문은 모든 최신 AI 가운데 절대적인 1위를 가리는 대회가 아니다. 핵심은 특정 모델 이름보다 질문과 검사 선택을 여러 단계로 조직한 방식이 성과를 냈다는 데 있다.

환자와 의료진에게 지금 달라지는 것은 무엇인가

일반 사용자가 오늘 바로 내려받아 쓰는 진단 앱은 아니다. 마이크로소프트는 가격, 공개 서비스 이름, 지원 국가, 병원 도입 일정, 의료기기 허가 계획을 발표하지 않았다. 소비자용 코파일럿에 같은 기능이 즉시 들어간다는 안내도 없다. 현재 단계에서 증상을 입력해 받은 AI 답변을 확정 진단이나 치료 지시로 받아들이면 안 된다.

마이크로소프트 의료 AI 책임자 도미닉 킹은 베스이스라엘 디코니스 메디컬센터와 실제 병원 환경에서 시스템을 시험할 계획이며, 향후 몇 달 안에 시작할 가능성이 있다고 말했다. 이 과정에서 봐야 할 것은 논문 점수의 재현뿐만이 아니다. 의료진이 시스템의 근거를 이해할 수 있는지, 잘못된 제안을 빠르게 거부할 수 있는지, 환자 개인정보를 어떻게 보호하는지, 책임 소재가 분명한지까지 확인해야 한다.

의료진의 역할도 단순히 정답 버튼을 누르는 사람으로 줄어들지 않는다. 진단은 환자의 표정과 통증 정도를 살피고, 치료 선택을 설명하며, 환자의 가치와 생활 조건을 반영하는 과정이다. 같은 병이라도 임신 여부, 알레르기, 경제적 상황, 돌봄 환경에 따라 현실적인 선택이 달라진다. 마이크로소프트 역시 인간 의료진이 중심에 있어야 한다고 밝혔다.

병원과 보험사에는 구매 결정보다 검증 설계가 먼저다. 어떤 환자에게만 보조 도구로 쓸지, AI 제안을 누가 승인할지, 오류를 어떻게 기록하고 환자에게 알릴지 정해야 한다. AI가 빠른 답을 내더라도 의사가 그 결과를 다시 검토하느라 시간이 더 들면 기대한 효율이 나오지 않을 수 있다. 반대로 진료 전에 기록과 질문을 잘 정리해 준다면 의사가 환자와 대화할 시간을 늘리는 방향으로 쓸 수 있다.

의료 AI 경쟁에서 이번 연구가 갖는 의미

그동안 의료용 생성 AI는 진료 기록 요약, 문서 작성, 예약 안내처럼 비교적 위험이 낮은 업무부터 확산됐다. 이번 연구는 경쟁의 초점이 문서 보조에서 임상 판단의 핵심인 진단 과정으로 이동하고 있음을 보여 준다. 마이크로소프트는 진단 외에도 진료 조정, 치료 결정, 환자와의 소통 등을 ‘의료 초지능’에 필요한 영역으로 제시했다.

이 변화는 기술 기업의 발표 문구보다 규제와 현장 검증을 더 중요하게 만든다. 문장 요약에서 생긴 오류는 사람이 고칠 수 있지만, 불필요한 검사를 권하거나 위급한 질환을 놓치면 피해가 바로 환자에게 간다. 높은 평균 정확도를 보이는 것과 위험한 오류를 드물게 만드는 것은 다른 목표다. 병원은 전체 점수뿐 아니라 어떤 상황에서 시스템 사용을 중단해야 하는지 알아야 한다.

환자 데이터의 출처와 대표성도 관건이다. 한 병원과 유명 의학 저널의 사례로 좋은 결과를 냈더라도 한국의 진료 체계와 언어, 검사 관행에서 같은 성능이 나올지는 별도 문제다. 한국어 증상 표현과 국내 약품·보험·진료지침을 반영한 검증 없이는 해외 연구 수치를 그대로 적용하기 어렵다.

아직 확인되지 않은 점

이번 발표에서 기억할 사실은 세 가지다. 첫째, AI가 완성된 차트를 보고 답을 맞히는 수준을 넘어 질문과 검사 선택을 순서대로 수행하는 연구가 동료 평가를 통과했다. 둘째, 복잡한 과거 사례에서 일반 진료 의사보다 높은 정확도를 기록했지만 실제 환자 진료 성과는 아직 입증되지 않았다. 셋째, 일반 사용자가 쓸 수 있는 제품과 출시 일정은 공개되지 않았다.

앞으로 확인할 첫 번째 시점은 베스이스라엘 디코니스 메디컬센터의 실제 환경 시험이다. 여기서 환자 안전, 의료진의 사용 방식, 오류 유형, 시간과 비용 변화가 공개돼야 연구실 성과의 의미를 판단할 수 있다. 두 번째는 의료 규제기관의 검토와 병원별 독립 평가다. “의사보다 높았다”는 한 줄보다, 어떤 환자에게 어떤 책임 구조로 사용할 수 있는지가 의료 AI의 실제 가치를 결정한다.

핵심 출처: 마이크로소프트 발표, 《사이언스》 논문, 로이터 보도, 더 버지 해설