[논문 리뷰] DeepSeek in Healthcare: A Survey of Capabilities, Risks, and Clinical Applications of Open-Source Large Language Models

Jiancheng Ye, Sophie Bronstein외 2명|ArXiv.org|2025. 06. 02.

Artificial Intelligence in Healthcare and Education인용 수 3

한 줄 요약

의료 분야를 위한 오픈소스 LLM인 DeepSeek-R1에 대한 고찰로, 그 아키텍처, 기능, 임상 응용, 벤치마크, 위험성 및 거버넌스 영향에 대해 다룬다.

ABSTRACT

DeepSeek-R1 is a cutting-edge open-source large language model (LLM) developed by DeepSeek, showcasing advanced reasoning capabilities through a hybrid architecture that integrates mixture of experts (MoE), chain of thought (CoT) reasoning, and reinforcement learning. Released under the permissive MIT license, DeepSeek-R1 offers a transparent and cost-effective alternative to proprietary models like GPT-4o and Claude-3 Opus; it excels in structured problem-solving domains such as mathematics, healthcare diagnostics, code generation, and pharmaceutical research. The model demonstrates competitive performance on benchmarks like the United States Medical Licensing Examination (USMLE) and American Invitational Mathematics Examination (AIME), with strong results in pediatric and ophthalmologic clinical decision support tasks. Its architecture enables efficient inference while preserving reasoning depth, making it suitable for deployment in resource-constrained settings. However, DeepSeek-R1 also exhibits increased vulnerability to bias, misinformation, adversarial manipulation, and safety failures - especially in multilingual and ethically sensitive contexts. This survey highlights the model's strengths, including interpretability, scalability, and adaptability, alongside its limitations in general language fluency and safety alignment. Future research priorities include improving bias mitigation, natural language comprehension, domain-specific validation, and regulatory compliance. Overall, DeepSeek-R1 represents a major advance in open, scalable AI, underscoring the need for collaborative governance to ensure responsible and equitable deployment.

연구 동기 및 목표

• 의료 과제에서 오픈소스 LLM(DeepSeek-R1)의 역량을 평가한다.
• 아키텍처 설계(Mixture of Experts, CoT, RL)의 특성과 비용 및 추론에 대한 시사점을 특징짓다.
• 의료 및 도메인 벤치마크(예: USMLE)에서의 성능을 평가하고 임상 의사결정 지원의 강점을 식별한다.
• 다국어 및 윤리적으로 민감한 맥락에서의 안전성, 편향 및 허위 정보 위험을 식별한다.
• 오픈소스 의료 LLM를 위한 거버넌스, 규제 및 배포에 관한 고려사항을 개요한다.

제안 방법

• 전문가 혼합(Mixture of Experts), 체인 오브 생각(Chain-of-Thought, CoT) 추론, 그리고 강화 학습을 결합한 DeepSeek-R1 하이브리드 아키텍처를 설명한다.
• 표준 벤치마크(USMLE, AIME)에서의 성능을 분석하고 도메인 특화 능력을 평가한다.
• 자원 제약 환경에서의 해석가능성, 확장성, 추론 효율성을 평가한다.
• 안전성, 편향, 허위 정보, 적대적 위험, 다국어 및 윤리적 도전과제를 평가한다.
• 오픈소스 의료 LLM 배치를 위한 규제 준수 및 거버넌스 고려사항에 대해 논의한다.

실험 결과

연구 질문

• RQ1 DeepSeek-R1이 의료 과제 및 구조화된 문제 해결에서 어떤 역량을 보여주는가?
• RQ2 의료 도메인 및 의사결정 지원에서 DeepSeek-R1의 강점과 한계는 무엇인가?
• RQ3 USMLE 및 AIME와 같은 의료 및 수학 벤치마크에서 DeepSeek-R1의 성능은 어떠한가?
• RQ4 다국어 또는 윤리적으로 민감한 맥락에서 DeepSeek-R1에 영향을 미치는 안전성, 편향, 허위 정보 및 적대적 위험은 무엇인가?
• RQ5 오픈소스 의료 LLM에 필요한 거버넌스, 규제 및 배포 고려사항은 무엇인가?

주요 결과

• DeepSeek-R1은 USMLE 및 AIME와 같은 벤치마크에서 경쟁력 있는 성능을 보여준다.
• 모델은 소아과 및 안과 임상 의사결정 지원과제에서 강력한 결과를 보인다.
• 해석가능성, 확장성, 자원 제약 환경에 적합한 효율적인 추론을 제공한다.
• 다국어 및 민감한 맥락에서 특히 편향, 허위정보, 적대적 조작, 안전성 실패의 위험이 증가한다.
• 오픈소스 라이선스(MIT) 및 하이브리드 아키텍처는 투명성과 비용 효율성을 지지하며, 거버넌스의 필요성을 강조한다.