Claude Code로 내 MRI 2차 소견을 받아봄 — 의료 AI 2차 의견의 현주소

도입: LLM 2차 소견, 어디까지 신뢰할 수 있는가

AI 에이전트를 활용해 의료 2차 소견을 받아본 사례가 긱뉴스에 공개됐다. 글쓴이는 어깨 부상의 MRI 결과를 가지고 Claude Code, ChatGPT 5.5 Pro, 그리고 실제 의료 전문가의 판독을 교차 검증했다. 그 결과는 흥미롭고도 솔직했다.

• 인간 영상의학과 의사의 최종 중재 결과: "경도 삽입부 건증, 명확한 부분층 또는 전층 파열 없음"
• ChatGPT는 텍스트 기반 MRI 보고서만 보고 "보고서가 매우 틀렸을 가능성이 크다"고 강하게 주장
• 글쓴이의 결론: 이미지 진단은 여전히 AI가 약점, 텍스트 기반 의료 지식은 AI가 강점

흥미로운 지점은 단순히 "AI가 잘했다/못했다"가 아니다. 같은 모델을 쓰더라도 Claude Code와 Claude.ai 채팅의 차이가 매우 크다는 점, 그리고 의료 진단 체계 자체가 가진 구조적 문제가 드러난다는 점이다.

핵심 1: 진단은 시스템 문제 — "읽는 사람이 없다"

글쓴이는 과거 결핵 진단 사례도 함께 공유한다. 한 클리닉의 외주 영상의학과 의사가 결핵 징후를 본 후, 환자는 법에 따라 시 결핵 병원으로 보내졌다. 그곳 의사들은 영상의학과 결론을 그대로 받아들여 최소 8개월 동안 격리 치료를 지시했다.

문제는 영상이 없었다. 입원 직전 다른 영상의학과 의사를 찾아간 결과, "폐렴"으로 진단이 뒤집혔다. 처음 보고서를 그대로 받아들인 병원 의사들은 영상을 전혀 읽지 못했고, 영상의학과 의사의 결론을 "믿기만" 한 구조였다.

이 사례는 의료 시스템이 가진 본질적 문제를 보여준다.

• 영상의학과 판독 → 일반의가 그대로 인용하는 파이프라인
• 결론을 의심하기보다 수용하는 의사 결정 구조
• "검사를 했으니 안심"이라는 환자의 잘못된 안도감

글쓴이의 결론: "영상의학과 의사나 의사를 믿기 어렵다면, 비용이 가능할 때 다른 의사를 찾아보는 게 좋다. 서로 관련 없는 두 의사가 같은 말을 한다면 진실에 꽤 가까울 가능성이 있다."

핵심 2: AI 2차 소견 — 강점과 한계

글쓴이는 직접 Claude Code로 MRI 2차 소견을 받아봤다. 사용 패턴은 다음과 같다.

• 한 번에 여러 LLM 구독과 로컬 모델들을 함께 사용
• 내 전문 분야 밖의 질문은 접근 가능한 LLM 전부에게 동시 질문
• 별도 세션을 만들어 같은 질문을 여러 방식으로 던짐

이 과정에서 발견한 것들:

강점

• 텍스트 기반 의료 자료 조사는 LLM이 탁월
• 의사의 진단을 환자가 이해하기 쉽게 풀어주는 데 유용
• 영상의학과 용어 해설, 검사 옵션 비교, 논문 근거 제시에 강점

한계

• 방사선 영상 자체는 아직 잘 해석하지 못함 (글쓴이 명시)
• 한 세션에 가설을 주면 그 가설 쪽으로 흐르는 확증 편향 발생
• 세션 간 일관성이 떨어짐 — 같은 질문에 다른 답이 나올 수 있음

확인된 실패 사례

과거에 ChatGPT가 MRI 보고서 텍스트만 보고 "보고서가 매우 틀렸을 가능성이 크다"고 주장한 적이 있다. 글쓴이는 다른 의사를 찾아 재검사를 받았고, 결론은 "원래 보고서가 맞았다"였다. 즉 텍스트만으로 영상의학 진단을 뒤집으려 한 시도는 실패했다.

핵심 3: Claude Code vs Claude.ai — 같은 모델, 다른 결과

글쓴이는 의료 질문을 Claude Code에서 했을 때와 Claude.ai 채팅에서 했을 때 결과가 매우 달랐다고 한다. Claude Code는 컨텍스트 관리, 파일 분석, 에이전트형 추론이 가능하기 때문에 단순 Q&A보다 일관성 있는 답을 얻기 쉽다. 의료 도메인처럼 다단계 추론이 필요한 영역에서는 이 차이가 결정적일 수 있다.

실무 팁 — AI로 2차 소견을 받으려면:

1. 원본 보고서 전문을 텍스트로 입력 (이미지가 아닌 텍스트)
2. Claude Code 에이전트 모드로 다단계 분석 요청
3. 동일 질문을 여러 세션에 분리해 확증 편향 회피
4. 다른 LLM(로컬 포함)에도 같은 질문을 던져 교차 검증
5. 의사에게 들고 갈 만한 요약 형태로 정리해달라고 명시

핵심 4: LLM의 한계 — "체스 엔진의 함정"

글쓴이는 의료 AI에 대한 환상적 기대를 정면으로 비판한다.

> "사람들이 ChatGPT가 체스를 정말 잘할 거라고 기대하는 것과 비슷하다. 초인적 성능의 체스 엔진은 수십 년 전부터 있었으니, 수용한 최전선 LLM이라면 당연히 쉬울 거라고 보는 식이다."

의료는 구조화된 규칙 + 희소 데이터 + 맥락 의존 영역이다. LLM의 사전학습 데이터에서 의료 지식의 양은 압도적이지만, 진단 추론의 정확도는 별개의 문제다. 특히 영상의학은 특화된 합성곱 신경망이 필요한 영역이다. 글쓴이의 표현을 빌리자면, "지식 기반에 가까운 문제라면 더욱 그렇다" — 즉 텍스트 의료 지식은 강하지만, 영상 픽셀 단위 진단은 약하다.

핵심 5: 의료 시스템의 구조적 비효율

글쓴이는 LLM을 도입해도 의료 시스템의 근본 문제는 해결되지 않는다고 본다.

• 결정 재검토에 대한 인센티브 부재: "특히 의료처럼 이해관계가 큰 분야에서 누군가에게 결정을 재검토하라고 하면, 누구도 그 난장판을 열 시간이나 의욕이 없다"
• 확증 편향의 보편성: "어떤 검사가 X라고 말하면, X를 부정하기는 정말 어렵다. 인간 전반의 문제다"
• 환자의 주도권 필요성: "진짜 성공하고 싶다면, 진단 고리가 닫히기 전에, 의사들이 아직 당신에 대한 사례를 굳히기 전에, 연구에서 제시한 검사를 제안해야 한다"

이 문제는 LLM 한두 개로 해결되지 않는다. 환자가 적극적으로 개입하고, 여러 의사와 여러 LLM의 견해를 교차 검증하는 것만이 현실적 대응이다.

실무 권장: AI와 의료를 함께 쓸 때

의료 AI를 2차 소견 도구로 활용하려면 다음 원칙이 필요하다.

| 활용 가능 | 주의 필요 |

|---|---|

| 검사 결과 텍스트 해설 | 영상 단독 진단 |

| 의학 용어·논문 정리 | 단일 LLM 답변을 의사로 갖다 주기 |

| 치료 옵션 비교 | 확증 편향 유도 질문 |

| 의사용 요약 작성 | 세션 간 일관성 없는 답변 신뢰 |

전망: 의료 AI의 다음 단계

향후 의료 AI가 진전되려면 다음 세 가지가 필요하다.

1. 영상의학 특화 모델의 발전 — 일반 LLM이 아닌 도메인 특화 신경망
2. 다중 LLM 합의 프로토콜 — 여러 모델의 교차 검증을 시스템화
3. 환자-의사-AI 3자 의사결정 프레임 — LLM이 의사를 대체하는 게 아니라 환자가 의사를 더 잘 질문하도록 돕는 도구

LLM은 의료 지식을 "가져오는" 데는 강하지만, 의료 판단을 "맡기는" 데는 아직 위험하다. 글쓴이의 결론을 그대로 인용한다.

> "이미지에 대해서는 AI를 믿지 않겠다. 하지만 텍스트 기반 자료를 조사할 때는 장점이 있다."

이것이 2026년 의료 AI의 현주소다.

• --

• 태그*: AI, 의료, Claude Code, LLM, MRI, 영상의학, 2차 소견, 의료 AI