인공지능(AI)은 임상 의사 결정에 강력한 지원을 제공하며 현대 의료에 점차 통합되고 있다. 그러나 실제 환경에서 AI 시스템은 데이터 분포 변화, 환자 특성 변화, 임상 프로토콜 변화, 데이터 품질 변화 등 여러 요인으로 인해 시간이 지남에 따라 성능 저하를 겪을 수 있다. 이러한 요인들은 모델의 신뢰성을 손상시켜 안전 문제를 야기하고, 부정확한 예측이나 부정적인 결과의 가능성을 높인다. 이 논문은 의료 분야의 AI 시스템의 "건강"을 모니터링하고 유지하는 것에 대한 미래 지향적인 관점을 제시한다. 지속적인 성능 모니터링, 조기 성능 저하 감지, 효과적인 자체 수정 메커니즘의 시급성을 강조한다. 이 논문은 데이터 및 모델 수준에서 발생하는 성능 저하의 일반적인 원인을 검토하는 것으로 시작한다. 그런 다음 데이터 및 모델 드리프트를 감지하기 위한 주요 기술을 요약하고, 근본 원인 분석에 대한 심층적인 내용을 살펴본다. 모델 재훈련부터 테스트 시간 적응까지 다양한 수정 전략을 검토한다. 이 조사는 전통적인 기계 학습 모델과 최첨단 대규모 언어 모델(LLM)을 모두 아우르며, 강점과 한계에 대한 통찰력을 제공한다. 마지막으로, 진행 중인 기술적 과제를 논의하고 향후 연구 방향을 제안한다. 이 연구는 역동적인 임상 환경에서 안전하고 장기적인 배포를 유지할 수 있는 안정적이고 견고한 의료 AI 시스템 개발을 안내하는 것을 목표로 한다.
