본 논문은 의료 분야에서 대규모 언어 모델(LLM) 기반 에이전트의 적용 가능성에 초점을 맞추고 있다. 기존 의료 에이전트 시스템은 정적인 워크플로우에 의존하는 한계를 가지고 있는데, 본 논문에서는 자동화된 기계 학습(AutoML)을 활용하여 의료 에이전트 아키텍처를 자동으로 설계하는 새로운 프레임워크를 제시한다. 이 프레임워크는 다양한 기능적 노드 유형으로 구성된 그래프 기반 아키텍처로 의료 에이전트를 개념화하고, 진단 피드백에 따라 반복적인 자기 개선을 지원한다. 피부 질환 진단 과제에 대한 실험 결과를 통해 제안된 방법이 워크플로우 구조를 효과적으로 발전시키고 진단 정확도를 향상시킨다는 것을 보여준다. 본 연구는 의료 에이전트 아키텍처 설계를 위한 최초의 완전 자동화된 프레임워크를 제시하며, 실제 임상 환경에서 지능형 에이전트를 배포하기 위한 확장 가능하고 적응력 있는 기반을 제공한다.
