의료 도구 생물학적 우주 내 치료 논리 처리를 위한 인공지능 에이전트

치료를 위한 논리적 사유는 모든 치료 결정을 뒷받침하는 데 중요하며, 질병의 맥락, 동반 질병, 약물, 반대 여부, 그리고 발전하는 의학 지식과 적절한 치료를 선택하기 위해 통합된다. 이는 본질적으로 반복적인 과정을 의미하며, 후보 물건은 많은 제약을 고려하여 후보 물건을 개선하고 증거가 나오면 증거를 수집하고, 검증 가능한 원천에 근거하여 증거를 수집한다. 여기서 우리는 ATHENA-R1이라는 치료 논리 사유를 위한 AI agent를 소개하며, 1939년부터 FDA 승인된 모든 약물에 대해 훈련되었다. ATHENA-R1은 강화 학습을 통해 212개의 의학 도구의 우주에서 훈련되었다. 각 단계에서 ATHENA-R1은 누락된 정보를 식별하고, 관련 도구를 선택하고 실행하고, 증거를 통합한다. 이를 위해 우리는 인간이 어노테이션 한 트레이스 없이 훈련하는 것을 피하기 위해 두 단계의 자기 학습 프레임워크를 구축한다. 다중 agent 시스템은 도구, 작업, 논리적 경로를 구성하여 주어진 된 훈련을 위해fine-tuning하고, 강화 학습과 과학적 feedback는 논리적 질의 (증거 수집, 토대가 되는 도구 사용, 논리적 중복성을 피함)를 rewarded한다. 5개의 benchmark에서 3,168개의 약물 논리적 사유와 456개의 환자 치료 사례를 포함하는 ATHENA-R1은 언어 모델과 도구 사용 시스템을 능가하며, 개방된 약물 논리적 사유에서 94.7%의 정확도를 달성하고 치료 논리적 사유에서 82.9%를 달성하며, GPT-5보다 17.8과 10.7점을 높였다. 28개의 희귀 질환 단체의 전문가들로부터 블라인드 평가에서, 모든 기준에서 참조 모델보다 선호되었으며, 복잡한 병원화된 심혈관 질환과 감염 질환 사례에서 의사들은 favorably 평가했다. 5.4백만명의 환자의 전자 의료 기록에서 검증한 적대적 이벤트 가설은 조정된 기대비비율 1.48-1.84를 달성했으며, 음성 제어군에서 상승이 없었다. 치료 논리적 사유는 AI가 알고리즘을 수행할 수 있는 learnable process를 의미하기 때문에, 증거를 수집하는 반복적인 과정을 통해 AI를 훈련시킬 수 있는 것을 보여준다.