자기 진화하는 임상 시스템으로의 길: 의료 에이전트의 지원 단계에서 자율 단계로의 확장

The Path to Self-Evolving Clinical Systems: Scaling Medical Agents from Assistance to Autonomy

대규모 언어 모델과 시각-언어 모델의 이미지와 텍스트를 통합적으로 해석하고 추론하는 능력은 의료 에이전트를 특정 작업 예측 도구에서 벗어나, 임상 환경에서 인지하고, 추론하고, 계획하고, 기억하며, 행동하는 자율 시스템으로 변화시키고 있습니다. 본 연구는 기존 문헌의 '능력 우선' 관점을 탈피하여, 실제 임상 적용 가능성을 고려하며 의료 에이전트가 실용적으로 신뢰받기 위해 어떤 작업, 오염 방지 벤치마크 및 상호작용 학습 환경이 필요한지를 질문합니다. 의료 에이전트는 부분 관찰 조건 하의 순차적 의사 결정 시스템으로 정의되며, 지원, 협력 및 완전 자율 운영을 포괄하는 세 단계의 자율성 분류 체계를 제시합니다. 본 연구는 프레임워크 확장, 능력 확장 및 환경 확장을 아우르는 통합적인 확장 전략을 기반으로 합니다. 이 프레임워크 내에서, PACS, EHR 및 FHIR 생태계에서 작동하는 에이전트에게 있어 가장 실질적이지만 아직 탐구되지 않은 영역인 임상 환경 확장이 중요한 방향임을 강조합니다. 또한, 파라미터 조정 외에 환경과의 상호작용을 통해 개선되는 '임상 자가 진화'를 주요 연구 분야로 제시하며, 자기 개선 에이전트, 에이전트 짐 및 테스트 시간 계산 확장 등의 통찰력을 활용합니다. 방사선학, 병리학, 안과 및 병원 워크플로우 전반에 걸친 응용 사례와 함께 환각, 연쇄적인 오류 및 공정성 문제와 같은 배포 과제를 검토합니다. 본 연구는 300편 이상의 참고 문헌을 종합하고, 특히 2025년부터 2026년까지의 최신 연구 동향에 중점을 두어 실제 임상 환경에서 신뢰할 수 있는 자기 개선 의료 영상 시스템 구축을 위한 로드맵을 제시합니다.

The growing ability of large language models and vision-language models to jointly interpret and reason over images and text is reshaping medical imaging AI, moving it from task-specific predictors toward autonomous agents that perceive, reason, plan, remember, and act in clinical environments. This survey departs from the capability-first perspective of existing literature and instead begins from clinical deployment, asking what tasks, contamination-resistant benchmarks, and interactive training environments are required before medical agents can be trusted in practice. Medical agents are formalized as sequential decision-making systems under partial observability, together with a three-level autonomy taxonomy spanning assisted, cooperative, and fully autonomous operation. The field is organized along a unified scaling spine consisting of framework scaling, capability scaling, and environment scaling. Within this framework, clinical environment scaling, the integration of tools, data, and clinical gyms, is identified as the most actionable yet underexplored direction for agents operating in PACS, EHR, and FHIR ecosystems. Clinical self-evolution, where agents improve through interaction with their environments rather than parameter scaling alone, is further positioned as a key research frontier, drawing insights from self-improving agents, agent gyms, and test-time compute scaling. Applications across radiology, pathology, ophthalmology, and hospital workflows are examined together with deployment challenges including hallucination, cascading failures, and fairness. By consolidating more than 300 references, with particular emphasis on advances from 2025 to 2026, this survey provides a roadmap toward trustworthy, self-improving medical imaging systems for real clinical practice.