SURGENT: 수술 전후 과정 전체에 걸친 다중 에이전트 기반 수술 지원 시스템

SURGENT: A Surgical Multi-Agent Assistance System Across the Perioperative Workflow

현대적인 수술 치료의 복잡성은 방대한 환자 기록을 종합하고, 협력적 의사 결정을 지원하며, 수술 전후 과정 전체에서 투명하고 감사 가능한 추론 기능을 제공하는 지능형 시스템이 필요합니다. 웹 기반 대규모 언어 모델(LLM)은 뛰어난 추론 능력을 가지고 있지만, 입력 길이 제한, 불완전한 메모리 관리 및 제한적인 추적 가능성 등의 중요한 한계로 인해 수술 분야에 적용하기에는 적합하지 않습니다. 이러한 문제를 해결하기 위해, 우리는 트리-오브-생각(Tree-of-Thought) 플래너, 부서 간 협업 에이전트, 그리고 임상 지침 및 생의학 문헌을 활용한 검색 증강 추론 기능을 결합한 수술 다중 에이전트 지원 시스템인 SURGENT를 제안합니다. SURGENT는 장기적인 환자 기록과 단기적인 작업 요약 정보를 모두 관리하는 새로운 메모리 설계를 특징으로 하며, 이를 통해 더욱 완전하고 맥락화된 일관성 있는 추론을 가능하게 합니다. 다섯 가지 주요 수술 전후 과정 작업(사례 분석, 수술 계획 시뮬레이션, 안전 모니터링, 합병증 위험 평가, 재활 지침)에 대한 실험 결과는 SURGENT가 기존 LLM 및 기존 의료 다중 에이전트 프레임워크보다 우수한 성능을 보이며, 환자 기록과 더욱 밀접하게 일치하는 권장 사항을 제공한다는 것을 보여줍니다. 추가적인 분석 연구를 통해 로컬 환경에서 배포 가능한 DeepSeek 모델의 장점을 확인했으며, 이를 통해 중앙 집중식 서비스에 의존하지 않고도 개인 정보 보호를 강화할 수 있습니다. 이러한 결과는 SURGENT가 지능적이고 공정하며 안전한 수술 지원 시스템으로 발전하는 데 중요한 기여를 할 것으로 기대됩니다.

The intricate nature of modern surgical care necessitates intelligent systems that can synthesize extensive patient records, support collaborative decision-making, and provide transparent, auditable reasoning across the entire perioperative workflow. Although web-based Large Language Models (LLMs) possess advanced reasoning capabilities, they are ill-equipped for surgical applications due to critical limitations: input length constraints, incomplete memory management, and limited traceability. To address this issue, we present SURGENT, a surgical multi-agent assistance system that combines a Tree-of-Thought planner, multi-department collaboration agents, and retrieval-augmented reasoning with clinical guidelines and biomedical literature. SURGENT features a novel memory design that manages both long-term patient histories and short-term working summaries, enabling more complete, contextualized, and consistent reasoning. Experimental evaluations across five key perioperative tasks - case analysis, surgical plan simulation, safety monitoring, complication risk assessment, and rehabilitation guidance - show that SURGENT outperforms baseline LLMs and existing medical multi-agent frameworks, yielding recommendations more closely aligned with patient histories. Ablation studies further highlight the advantage of DeepSeek as a locally deployable backbone model, enabling privacy-preserving deployment without reliance on centralized services. These results position SURGENT as a practical and trustworthy advancement toward intelligent, equitable, and secure surgical assistance systems.