OUR STORY (BLOG)

동물병원 진료비는 사람의 의료비와 다릅니다. 국가적으로 지원하는 금액이 거의 없기 때문에 보호자의 부담이 큰 것도 사실입니다. 보호자의 동물병원 진료비 부담을 낮추기 위해 항목별 가격을 조정하는 정책을 검토하고 있기도 하지만, 실제 진료 현장에서 현실성을 잘 반영하고 있는지는 더 확인이 필요합니다. GraphDx는 인체 의학의 순차적 진단 과정을 대상으로, 비용과 침습도를 의사결정에 포함한 의료 LLM 프레임워크입니다. 실제 동물병원에 적용된 시스템은 아니지만, 비용을 진단 이후에 계산하는 결과값이 아니라 다음 검사를 선택하기 위한 입력값으로 다뤘다는 점에서 주목할만 합니다. 이 연구는 진료비 문제를 가격만의 문제가 아니라 불확실성 아래에서 진료 경로를 어떻게 설계할 것인가의 문제로 바라볼 수 있는 하나의 관점을 제시했습니다. 현재 동물병원 진료비 부담과 정책 2026년 동물의료 정책의 한가운데에는 진료비가 있습니다. 올해 1월 진료비 부가가치세

AI를 이용하여 제작되었습니다. 춘옥컴퍼니가 소동물 임상 의사결정지원 AI ‘VETfr.ai.day’가 지향하는 원칙과 시스템의 한계를 담은 「VETfr.ai.day 헌장」을 공개했습니다. 이번 헌장은 AI의 성능을 소개하는 문서가 아니라, 실제 진료 현장에 사용되는 임상 AI가 어떤 원칙에 따라 설계되어야 하며 무엇을 하지 않아야 하는지를 밝히기 위해 작성되었습니다. 임상 AI의 오답은 일반적인 챗봇의 오류와 결과의 무게가 다릅니다. 확인되지 않은 약물 용량이나 잘못된 임상 정보가 그럴듯한 답변으로 제시될 경우, 그 영향은 사용자의 불편을 넘어 동물 환자의 안전으로 이어질 수 있기 때문입니다. 이에 춘옥컴퍼니는 임상 AI의 신뢰를 정확도나 벤치마크 점수만으로 설명하기보다, 시스템이 지켜야 할 원칙과 한계를 먼저 공개해야 한다고 판단했습니다. 춘옥컴퍼니 VETfr.ai.day가 지켜야 할 네 가지 약속 VETfr.ai.day 헌장은 다음 네 가지

춘옥컴퍼니가 공개한 수의학 특화 오픈소스 언어모델 VetJarvis 계열 모델의 누적 다운로드 수가 1,005건을 기록했습니다. 이번 수치는 춘옥컴퍼니가 직접 공개한 공식 모델뿐 아니라, 외부계정에서 VetJarvis를 GGUF 형식으로 배포한 커뮤니티 모델의 다운로드를 포함한 결과입니다. 2026년 7월 기준 모델별 다운로드 수는 다음과 같습니다. choonok/VetJarvis-4B-Instruct: 377건 choonok/VetJarvis-1.1-4B-Instruct: 229건 choonok/VetJarvis-1.1-4B-Instruct-GGUF: 35건 mradermacher/VetJarvis-1.1-4B-Instruct-i1-GGUF: 364건 다운로드 수가 실제 사용자 수나 임상 활용 건수를 직접 의미하는 것은 아닙니다. 그러나 춘옥컴퍼니가 공개한 모델이 공식 저장소뿐 아니라 외부 공개 저장소에서도 다운로드되고 있다는 점에서, VetJa

춘옥컴퍼니, 수의 임상 현장의 AI 활용 패턴을 3개 범주·21개 유형으로 체계화 이번 연구의 제목은 ‘Development of an Exploratory Taxonomy for Veterinary Professionals’ AI Query Patterns Across Clinical Stages: An Expert Panel Study’로, 수의 임상 현장에서 발생하는 AI 질문을 임상 단계와 질문 목적에 따라 체계적으로 분류하는 것을 목표로 했다. 해당 논문은 2026년 6월 9일 bioRxiv에 게시됐다. 춘옥컴퍼니 개발/연구팀은 수의 임상 AI 챗봇에서 8개월간 수집된 실제 질문 로그 5,372건을 분석해 초기 분류체계를 구축했다. 이후 관련 문헌 검토와 임상 현장에서 활동 중인 수의 전문가 38명의 구조화된 설문 검토를 거쳐 AI 질문을 ▲임상 지원 ▲근거 기반 연구 ▲용어·약물 정보의 3개 범주와 21개 세부 유형으로 분류했다. 전문가

최근 범용 프론티어 모델과 의료 특화 모델의 벤치마크 성능 비교가 활발합니다. 의료 데이터로 파인튜닝한 도메인 모델보다 범용 모델이 일부 의료 벤치마크에서 더 높은 점수를 기록하기도 하였습니다. 그러나 임상 관점에서 중요한 질문은 따로 있습니다. 벤치마크 점수가 높은 모델이 실제 임상에서 중요한 판단도 안정적으로 수행하는가. 의료 지식 문제의 정답률과 임상 의사결정 지원 능력은 같은 개념이 아닙니다. 모델이 질환명이나 치료 원칙을 알고 있는 것과, 복잡한 환자 상황에서 정보의 우선순위를 정하고 위험을 조정하는 것은 서로 다른 능력이라고 볼 수 있습니다. 서로 충돌하는 검사 결과와 임상 신호를 함께 해석 약물–질환 및 약물–약물 상호작용을 연결 현재 상태뿐 아니라 이후 필요한 인력과 치료 자원을 예상 적극적인 개입보다 개입을 유보하는 것이 안전한 상황을 구분 객관식 의료 벤치마크는 이러한 과정을 충분히 평가하기 어렵습니다. 개방형 응답을 평가하는 루

최근 의료 ai 분야에서는 단순 질의응답을 넘어, 임상 연구 과정 자체를 지원하려는 시도가 등장하고 있습니다. 그 중 하나가 중국 푸단대병원과 옥스퍼드 등이 함께 발표한 논문 “MedGenesis: Toward a World Model for Autonomous Clinical and Translational Research”는 의료 AI가 단순 답변 생성을 넘어, 임상 연구 과정 자체를 지원할 수 있는 가능성을 다룹니다. 사례 1. 논문 2,420편을 192분 만에 분석하다 연구자들은 MedGenesis에게 하나의 질문을 제시했습니다. 신장 기능이 저하된 암 환자에게도 면역항암제가 효과가 있을까? 이 질문에 답하려면 일반적으로 다음 과정이 필요합니다. 관련 논문 수천 편 검색 제목과 초록 기준 1차 선별 본문 정독 데이터 추출 연구 품질 평가 통계적 통합 분석 MedGenesis는 이 과정을 자동화된 워크플로우 안에서 수행했습니다. 구체적인 결과

AI가 의사 국가고시를 만점으로 통과했다는 이야기는 더 이상 새로운 소식이 아닙니다. USMLE(United States Medical Licensing Examination) 에서는 이미 최고 수준의 성과가 보고되었고, 춘옥컴퍼니가 개발한 VetJarvis 역시 스마트폰에서 구동되는 4B 규모의 온디바이스 모델임에도 일본 수의사 국가고시 합격선을 넘어섰습니다. 이제 모델이 시험 문제를 푸는 능력 자체는 상당한 수준에 도달했습니다. 그렇다면 진료의 미래도 이미 결정된 것일까요? 최근 발표된 두 편의 연구를 읽으며 오히려 반대의 생각을 하게 되었습니다. 시험을 잘 보는 것과 진료를 잘하는 것은 생각보다 훨씬 다른 문제였습니다. 시험을 잘 본 AI가 좋은 수의 AI인 것은 아닙니다 NYU 연구팀은 흥미로운 비교 실험을 수행했습니다. GPT-5, Gemini 3 Pro, Claude Sonnet 4.5와 같은 범용 대규모 언어모델과 OpenEvidenc

딥러닝은 뇌를 모방하면서 시작되었습니다. ‘뉴럴 네트워크(Neural Network)’라는 이름 자체가 신경망에서 왔으며, 이 모방의 발전과 그 한계를 늘 흥미로운 주제입니다. 오늘은 뇌와 딥러닝을 나란히 놓고, 둘이 어디까지 닮았고 어디서 갈라지는지, 그리고 그 갈림이 우리가 만드는 제품과 어떻게 이어지는지 이야기해보겠습니다. 뇌라는 우주 사람의 뇌에는 약 860억 개의 뉴런이 있습니다. 한때 1,000억 개로 알려졌지만, 2009년 정밀 측정 이후 약 860억 개가 널리 받아들여지고 있습니다. 뉴런 하나는 다른 뉴런과 보통 수천 개, 많게는 1,000~10,000개의 시냅스를 이루며, 뇌 전체에는 약 100조 개 이상의 시냅스가 거미줄처럼 얽혀 있는 것으로 알려져 있습니다. 여기에 100가지가 넘는 신경전달물질이 신호의 세기와 특성을 끊임없이 바꾸며, 흔히 우리 은하의 별 수에 견주는 규모지만, 별과 달리 이 점들은 쉼 없이 서로 신호를 주고받