[논문 리뷰] A Survey of LLM-based Agents in Medicine: How far are we from Baymax?

Wen‐Xuan Wang, Z. Ma외 6명|ArXiv.org|2025. 02. 16.

Statistical and Computational Modeling인용 수 8

한 줄 요약

이 설문조사는 LLM 기반 의료 에이전트의 구조, 응용, 평가 방법 및 도전을 분석하고, 신뢰할 수한 Baymax 유사 시스템을 향한 현재의 진전과 향후 연구 방향을 개관한다.

ABSTRACT

Large Language Models (LLMs) are transforming healthcare through the development of LLM-based agents that can understand, reason about, and assist with medical tasks. This survey provides a comprehensive review of LLM-based agents in medicine, examining their architectures, applications, and challenges. We analyze the key components of medical agent systems, including system profiles, clinical planning mechanisms, medical reasoning frameworks, and external capacity enhancement. The survey covers major application scenarios such as clinical decision support, medical documentation, training simulations, and healthcare service optimization. We discuss evaluation frameworks and metrics used to assess these agents' performance in healthcare settings. While LLM-based agents show promise in enhancing healthcare delivery, several challenges remain, including hallucination management, multimodal integration, implementation barriers, and ethical considerations. The survey concludes by highlighting future research directions, including advances in medical reasoning inspired by recent developments in LLM architectures, integration with physical systems, and improvements in training simulations. This work provides researchers and practitioners with a structured overview of the current state and future prospects of LLM-based agents in medicine.

연구 동기 및 목표

• LLM 기반 에이전트가 의학적 작업을 위해 어떻게 설계되었는지와 시스템 프로필, 계획, 추론, 외부 도구의 역할을 평가한다.
• 임상 및 행정 응용을 조사하여 현재 배치 영역과 그 효과를 파악한다.
• 의료 에이전트를 벤치마킹하는 데 사용되는 기존 평가 프레임워크와 지표를 평가한다.
• 기술적, 윤리적 및 구현상의 도전을 식별하고 안전한 임상 통합을 위한 향후 연구 방향을 제안한다.

제안 방법

• 구조를 체계적으로 분류하여 시스템 프로필, 외부 역량 강화, 임상 계획, 의료 추론으로 구분한다.
• 네 가지 에이전트 패러다임: Single Agent, Sequential Task Chain, Collaborative Experts, 및 Iterative Evolution를 설명한다.
• 지각, 지식 통합, 그리고 행동 인터페이스를 통한 외부 역량 강화 평가한다.
• 의료 에이전트 연구에 사용되는 평가 프레임워크와 벤치마크 범주를 요약한다.

실험 결과

연구 질문

• RQ1 LLM 기반 의료 에이전트의 핵심 아키텍처 구성요소와 계획/추론 메커니즘은 무엇인가?
• RQ2 주요 응용 분야는 무엇이며 그것들이 의학에서 에이전트 프레임워크를 통해 어떻게 구현되어 있는가?
• RQ3 의료 에이전트는 어떻게 평가되며 어떤 지표/벤치마크가 사용되는가?
• RQ4 배치를 방해하는 도전 과제(허위 정보, 다중 모달 데이터, 윤리)와 권장되는 향후 방향은 무엇인가?

주요 결과

• LLM 기반 의료 에이전트는 프로필, 계획, 추론, 외부 도구를 결합하여 임상 작업을 지원한다.
• 응용 분야는 임상 의사결정 지원, 문서화, 교육 시뮬레이션 및 서비스 최적화를 아우른다.
• 평가는 정적 QA 벤치마크, 워크플로 시뮬레이션, 자동 평가에 의존하며, 다중 모달 및 결과 지향 지표를 요구한다.
• 주요 과제에는 허위 정보, 다중 모달 통합, 부서 간 상호 운용성, 프라이버시/윤리 문제가 포함된다.
• 향후 방향은 향상된 의료 추론, 실시간 오류 수정, 물리적 시스템과의 통합, 향상된 교육 시뮬레이션에 중점을 둔다.