헬스케어 분야의 SaaS vs. 커스텀 소프트웨어 논쟁: 우리가 커스텀 에이전트 레이어를 구축한 이유

초기 렌더링을 400ms 아래로 맞추는 게 정말 중요해. 그 임계값 아래면 에이전트 오버레이가 시스템에 잘 통합된 느낌인데, 넘어가면 컴퓨터 느려지게 만드는 팝업처럼 느껴지거든. 혹시 OHIF나 Cornerstone.js를 NVIDIA Triton이랑 엮어서 실시간 추론해 본 사람 있어? 300MB 넘는 얇은 슬라이스 연구 데이터의 경우, 백그라운드에서 추론 돌리면서 UI 반응성 유지하는 유일한 방법 같아서. 다른 접근법 있으면 좀 알려줘.

맞아, 오탐 문제는 진짜 심각하지. 대부분의 SaaS 도구는 워크플로우의 특정 실패 모드가 아니라 벤치마크 데이터셋의 정확도에 최적화되어 있거든. 우리 경험상 실제 스캔 분포와 방사선 전문의 피드백 루프에 맞춰 튜닝된 커스텀 에이전트가 스캔당 4개 이상의 오탐을 0.3개 수준으로 줄여줬어. 비용은 단순히 라이선스 문제가 아니라, 노이즈로 인한 임상적 오버헤드까지 포함해야 해.

커스텀 빌드가 투자할 가치가 있는 진짜 이유는 능동적 학습(active learning)이야. 임상의가 에이전트의 판단을 재정의할 때마다 기록하고, 해당 사이트의 특정 데이터로 재학습시키는 거지. 그런 피드백 루프를 갖추면 시간이 지날수록 오탐률이 90% 정도 떨어지는 걸 봤어. 도구가 단순한 벤더 제품에서 네트워크가 진짜로 소유하는 자산으로 변하는 거야.

의료 기기로서 소프트웨어를 만든다면 IEC 62304 준수는 선택이 아니라 필수야. 나중에 덧붙일 수 있는 게 아니라고. 처음부터 CI/CD 파이프라인에 포함되어 있어야 해, 안 그러면 510(k) 감사 때 다 털릴걸. 아무도 잘 얘기 안 하는 장점이 하나 있는데, 커스텀으로 만들면 모델 가중치랑 전문가가 검증한 학습 데이터를 직접 소유하게 된다는 거야. 이건 진짜 방어 가능한 자산이지. SaaS에 의존하는 네트워크들은 그걸 못 가져.