희귀 질환은 의료 영상 분야에서 AI 모델의 성능 저하를 야기하는 대표적인 문제이며, 충분한 학습 데이터의 부족이 원인으로 지목됩니다. 본 논문은 이러한 문제를 해결하기 위해, 사례 보고서 및 문헌 검색을 통해 외부 의학 지식에 접근하는 AI 에이전트 시스템인 RADAR (Retrieval Augmented Diagnostic Reasoning Agents)를 제안합니다. RADAR는 문장 변환기를 사용하여 사례 보고서와 문헌을 임베딩하고 FAISS를 사용하여 효율적인 유사성 검색을 수행합니다. 이를 통해 추가 학습 없이, 미지의 질병에 대한 진단 결정을 내릴 수 있도록 임상적으로 관련된 증거를 검색합니다. 모델에 구애받지 않는 추론 모듈로 설계되어 다양한 대규모 언어 모델과 통합될 수 있으며, 희귀 병리 현상 인식 및 해석 가능성을 일관되게 향상시킵니다. 280개의 희귀 질환을 포함하는 NOVA 데이터셋에서 RADAR은 최대 10.2%의 성능 향상을 보였으며, DeepSeek와 같은 오픈 소스 모델에서 가장 큰 개선 효과를 보였습니다. 정확도 향상 외에도, 검색된 사례들은 해석 가능하며, 문헌 기반의 설명을 제공하여, 검색 증강 추론을 의료 영상 분야의 낮은 유병률 조건에 대한 강력한 패러다임으로 제시합니다.
