방사선 AI, 오진인데도 확신해 환자 위협
방사선 전용 AI 성능을 평가하는 'RadLE 2.0' 벤치마크에 따르면, 최신 AI 모델들은 오답을 내놓으면서도 매우 확신하는 경향을 보여 의료 현장에서 위험할 수 있습니다. 의학에서 정확도 자체는 빠르게 향상되고 있으나, AI가 자신의 한계를 인지하지 못하고 무리하게 진단을 시도하는 것이 문제로 지적되고 있습니다.
X-ray를 판독하는 AI 챗봇은 틀렸을 때도 위험할 정도로 확신에 차 있는 경우가 많습니다.
방사선학 분야의 AI 시스템이 언제 인간 의사에게 진단을 넘겨야 하는지 알고 있는지 평가하는 두 번째 버전의 RadLE 벤치마크가 공개되었습니다. 많은 모델이 완전한 확신을 가지고 잘못된 소견을 내놓으며, 이것이 환자 치료에 있어 위험한 이유입니다. 'Radiology's Last Exam'의 약자인 RadLE 2.0은 인도 아쇼카 대학교의 CRASH Lab에서 개발되었습니다. 이는 연구진이 2025년 9월에 처음 공개했던 테스트의 개정판입니다. 이 새로운 버전은 모델이 진단을 정확히 내렸는지, 그 대답에 얼마나 확신하는지, 그리고 자신의 능력 한계를 인정할 수 있는지를 측정합니다. AI는 0부터 4까지의 척도로 자신의 답변에 대한 확신도를 평가해야 하며, 명시적으로 "모르겠다"고 대답하는 것이 허용됩니다.
이 테스트는 16개의 모델에 걸쳐 200건의 사례를 진행했으며, 패널로 구성된 방사선 전문의들의 성과와 비교했습니다. 인간 전문의들은 2,000점 만점 중 988.7점을 받았습니다. 가장 성능이 좋은 AI 모델은 758점을 받았습니다.
지나친 추측보다 솔직한 침묵이 낫습니다
채점 시스템은 솔직함에는 보상을 주고 과도한 자신감에는 벌점을 줍니다. 높은 확신을 가지고 정답을 맞히면 만점을 받습니다. 반면 높은 확신을 가지고 오답을 내면 상응하는 점수를 잃게 됩니다. "모르겠다"고 대답하면 0점을 받지만 감점은 당하지 않습니다. 자신 있게 추측만 하는 모델은 기본 정답률이 괜찮아 보이더라도 순위에서 떨어지게 됩니다. 이 연구는 최근 크게 인용된 논문에서 제기된 문제를 다룹니다. 즉, 벤치마크가 정확도에만 보상을 주는 한, AI 모델은 무작정 추측하도록 학습된다는 것입니다. 의학 분야에서는 확신에 찬 오진이 불확실함을 솔직하게 인정하는 것보다 훨씬 더 위험합니다.
모든 영역을 석권하는 단일 모델은 없습니다
전반적인 1위 모델은 없었습니다. Anthropic의 Claude Fable 5는 신뢰할 수 있고 안전한 답변 부문에서 가장 우수하여 주요 지표에서 선두를 차지했습니다. Google의 Gemini 3 Pro는 순수 정확도가 가장 높았습니다. Meta의 Muse Spark 1.1은 언제 사례를 인간에게 넘겨야 하는지 아는 능력에서 가장 뛰어났습니다. Meta는 최근 모델이 오답을 내놓기보다 대답을 거부하는 빈도가 늘어남에 따라 Muse Spark 1.1의 환각(Hallucination) 비율을 거의 절반으로 줄였습니다. 반면 다른 최신 모델들은 반대의 양상을 보입니다. 예를 들어, Grok 4.5는 이전 버전보다 환각이 훨씬 심한데, 더 많은 것을 알게 되었지만 동시에 자신의 잘못된 대답에 더 큰 확신을 가지기 때문입니다.
연구진에 따르면, 여러 모델이 추측하는 대신 더 자주 침묵했다면 점수가 훨씬 더 높았을 것입니다. 이는 특히 오픈 웨이트(Open-weight) 모델과 의료 전용으로 학습된 모델들에서 두드러졌습니다. 이들은 거의 모든 사례에 대답하려고 시도했으며, 주로 매우 높은 확신을 가지고 잘못된 답을 제시했습니다. 테스트의 첫 번째 버전은 훨씬 더 심각한 그림을 보여주었습니다. 방사선 전문의는 83%의 정확도에 도달한 반면, 최고 모델은 약 30% 수준에 그쳤습니다. 단 3개월 만에 Gemini 3 Pro는 이미 전공의 수준을 넘어섰습니다. 정확도는 빠르게 향상되고 있지만, 여전히 모델들은 자체적인 한계에 대한 감각이 부족합니다.
환자들은 이미 자신의 MRI를 챗봇에 보내고 있습니다
점점 더 많은 사람들이 X-ray나 MRI 스캔을 챗봇에 업로드하고 그 대답을 믿고 있습니다. 최근 'npj Digital Medicine'에 발표된 연구에 따르면, 널리 사용되는 챗봇들이 의학적 질문에 대해 종종 신뢰할 수 없는 답변을 제공하는 것으로 나타났습니다. 연구진은 경영진과 투자자들이 AI 모델이 할 수 있는 일에 대해 공개적으로 과장하고 있다고 비난합니다. AI 시스템이 이미 99%의 의사보다 더 잘 진단한다는 주장은 대부분 일화나 시뮬레이션에 기반하고 있습니다. 최근 4월에 당시 최고 수준으로 평가받던 21개 모델을 대상으로 한 연구에 따르면, 이들은 감독 없는 임상 적용을 할 준비가 되지 않았음이 확인되었습니다.
RadLE 2.0은 새로운 모델을 포함하여 지속적으로 확장될 예정입니다. 비용 분석과 오류 분류가 포함된 전체 과학 논문의 출판이 발표되었습니다. 자율 주도형 의료 AI 에이전트에 관한 다른 두 최근 연구들은 다른 방향을 가리키고 있었습니다. 전자 건강 기록 시스템인 MIRA와 AMIE는 [원문 생략된 부분] 유지할 수 있었습니다.