전문 모델이 여전히 중요한 이유: 의료 인공지능을 위한 이질적 다중 에이전트 패러다임

Why Specialist Models Still Matter: A Heterogeneous Multi-Agent Paradigm for Medical Artificial Intelligence

GPT 및 Claude와 같은 범용 대규모 언어 모델(LLM)이 의료 분야에서 보여주는 놀라운 성능은 다음과 같은 중요한 질문을 제기합니다. 즉, 특정 영역에 특화된 의료 전문 모델이 쓸모없게 될 것인가? 우리는 의료 인공지능(AI)의 미래가 단일하고 거대한 의료 기반 모델을 구축하거나 인간 전문가를 대체하는 데 있는 것이 아니라, 범용 LLM, 영역별 전문 모델 및 임상의 간의 협력을 조율하는 데 있다는 것을 주장합니다. 우리는 HetMedAgent라는 이질적인 의료 다중 에이전트 프레임워크를 제안하는데, 이는 충돌 인지 증거 융합, 불확실성을 기반으로 한 임상 개입 트리거 및 적응형 임계값 조정 기능을 제공합니다. 세 가지 실제 임상 의사 결정 작업에 대한 실험 결과, 범용 LLM과 영역별 전문 모델 간의 시너지 효과는 각 유형의 모델을 단독으로 사용하는 것보다 훨씬 우수한 성능을 보이며, 이는 특정 분석 방식에서 전문 모델의 대체 불가능한 가치를 입증합니다. HetMedAgent는 의료 LLM 또는 기반 모델 구축에서 다중 에이전트 협력으로 전환하는 것을 의미하며, 일반적인 추론 능력과 영역별 정확성 간의 균형을 달성합니다.

The impressive performance of generalist large language models (LLMs) such as GPT and Claude in healthcare raises a critical question: will domain-specific medical specialist models become obsolete? We argue that the future of medical artificial intelligence (AI) lies not in building monolithic medical foundation models, nor in replacing human expertise, but in orchestrating collaboration among generalist LLMs, domain-specific specialist models, and clinicians. We propose HetMedAgent, a heterogeneous medical multi-agent framework that enables conflict-aware evidence fusion, uncertainty-based clinician intervention triggering, and adaptive threshold calibration. Experiments on three real-world clinical decision-making tasks demonstrate that the synergy between generalist LLMs and domain-specific specialist models significantly outperforms using either type of model alone, validating the irreplaceable value of specialist models in modality-specific analysis. HetMedAgent represents a shift from building medical LLMs or foundation models to multi-agent collaboration, achieving a balance between general reasoning capabilities and domain-specific precision.