AWS, 방사선과 판독 배정을 최적화하는 AI 에이전트 시스템 구축 가이드 공개

AWS가 방사선과의 영상 판독 업무 배정을 AI 에이전트로 최적화하는 시스템 구축 방법을 머신러닝 블로그에 공개했다. AWS는 62개 병원에서 220만 건의 검사를 분석한 연구를 인용해, 비효율적인 검사 배정이 긴급 검사에서 17.7분의 지연을 초래하고 병원 네트워크 전반에 210만~420만 달러의 비용을 발생시킨다고 전했다.

기존 방사선과 판독 목록(worklist) 시스템은 미리 정해진 논리에 따라 검사를 배정하는 결정론적 규칙 기반 엔진에 의존한다. 이런 방식은 전문의가 복잡한 검사를 몇 시간 연속으로 판독해 왔는지, 단순 추적 검사가 정말 세부 전문의의 손길을 필요로 하는지 같은 맥락을 무시한다. 업무량 분배도 검사 난이도나 예상 판독 시간, 전문의 피로도를 예측하기보다 현재 대기열 길이에만 반응한다.

가장 큰 문제는 학습이 일어나지 않는다는 점이다. 결정론적 규칙이 최적이 아닌 배정을 내놓아도 누군가 수동으로 로직을 고치기 전까지 같은 비효율이 반복된다. AWS는 이런 구조가 전문의들이 더 쉽고 가치가 높은 검사만 골라 맡고 복잡한 검사는 피하는 '체리피킹'을 부추겨 진단 지연과 비용 증가로 이어진다고 지적했다.

이 가이드는 아마존 베드록 에이전트코어(Amazon Bedrock AgentCore)와 Strands 에이전트 SDK를 활용해 방사선과 업무를 최적화하는 AI 에이전트 시스템을 만드는 방법을 다룬다. 여러 전문 AI 에이전트가 협업해 방사선 전문의의 전문 분야, 현재 업무량, 피로 패턴, 검사 난이도, 임상 긴급도, 가용성을 동시에 따져 최적의 배정을 내린다. 에이전트를 구동하는 모델은 아마존 베드록에서 제공하는 파운데이션 모델(FM)이며, 시스템은 과거 패턴에서 지속적으로 학습해 변화하는 상황에 적응한다.

작업 흐름은 촬영기사가 새 검사를 마쳐 그 영상이 의료영상저장전송시스템(PACS)에 올라오면서 시작된다. 영상 품질이 검증된 검사들이 대기열에 쌓이면, 검사와 전문의를 잇는 매칭이 동적 규칙에 따라 비동기 방식으로 실행된다. 배정 신호는 에이전트코어 런타임 세션을 열어 솔루션의 두뇌 역할을 하는 '지능형 판독 목록 오케스트레이션 에이전트'를 호출한다.

오케스트레이션 에이전트는 여러 전문 에이전트를 병렬로 조율한다. 일상적인 작업에서는 검사 메타데이터 합성 에이전트와 환자 이력 합성 에이전트가 먼저 맥락 정보를 모으고, 이를 바탕으로 판독 배정 에이전트가 검사에 가장 알맞은 전문의를 찾는다. 긴급 사례에서는 분류 시스템이 두개내출혈 같은 위급 상황을 AI 알고리즘으로 감지하면 자동으로 검사 우선순위를 높이고 판독 전문의에게 고우선순위 표시를 띄운다.

환자 개인정보 보호를 위해 아마존 베드록 가드레일이 작업 흐름의 두 지점에 적용된다. 들어오는 쪽에서는 이름, 사회보장번호, 주소 같은 환자 개인식별정보(PII)를 빼내려는 요청을 오케스트레이터에 닿기 전에 차단한다. 나가는 쪽에서는 각 에이전트의 응답을 검사해 검색 과정에서 노출됐을 수 있는 개인정보를 가린다. 에이전트는 내부적으로 검사 전체 데이터를 다루되, 사용자에게는 검사 종류와 모달리티, 긴급도, 일정 같은 운영상 필요한 정보만 돌려준다.

판독 배정 에이전트는 전문의의 프로필과 역할, 세부 전문 분야, 선호 병원, 실시간 가용성, 동적 업무 규칙을 분석해 배정을 최적화한다. 검사 유형에 맞는 전문 분야의 전문의를 매칭하고, STAT(긴급) 검사를 우선 처리하며, 복잡한 검사와 일상 검사를 골고루 섞어 피로를 막는다. 하위 에이전트인 전문의 가용성 에이전트는 실시간 일정과 업무량 분포를 확인하고, 동적 규칙 에이전트는 서비스수준협약(SLA)이나 신규 모달리티, 에스컬레이션 정책 같은 업무 규칙을 적용한다.

AWS는 방사선과 사업자 래디올로지 파트너스(Radiology Partners)가 이를 핵심 업무 역량으로 보고 AWS와 손잡고 지능형 업무 최적화에 에이전틱 AI를 도입하고 있다고 밝혔다. 이번 글은 실제 운영용 제품이 아니라 진단 지연을 줄이는 지능형 판독 목록 시스템을 직접 구축하려는 조직을 위한 참조 아키텍처로 제시됐다.