GPT-4o의 의료 성능: 2026년 최신 벤치마크 정리
한줄 요약
GPT-4o는 USMLE Step 1-3 평균 88.5%, MedQA 85.2%로 의사 국가고시 합격선(60%)을 크게 상회한다 — 하지만 벤치마크 성능과 실제 임상 유용성은 다른 문제다.
GPT 시리즈 의료 벤치마크 변천사
| 모델 | 출시 시기 | USMLE 평균 | MedQA | MedMCQA |
|---|---|---|---|---|
| GPT-3.5 | 2022년 11월 | 60.2% | 56.3% | 54.2% |
| GPT-4 | 2023년 3월 | 86.1% | 81.4% | 72.8% |
| GPT-4o | 2024년 5월 | 88.5% | 85.2% | 76.3% |
| GPT-4o mini | 2024년 7월 | 72.4% | 68.9% | 63.1% |
| o1 (reasoning) | 2024년 9월 | 92.7% | 89.3% | 81.2% |
| o3 | 2025년 4월 | 95.1% | 92.6% | 84.7% |
GPT-3.5에서 o3까지 USMLE 정답률이 60% → 95%로 35%p 상승했다. 특히 추론 특화 모델인 o1, o3는 기존 GPT 계열보다 의료 추론에서 두드러진 향상을 보였다.
벤치마크 항목별 상세 성능 (GPT-4o 기준)
USMLE (미국 의사 면허 시험)
USMLE는 기초의학(Step 1), 임상 지식(Step 2 CK), 임상 기술(Step 3)로 구성된다.
| 항목 | GPT-4o | 합격 기준 | 의대생 평균 |
|---|---|---|---|
| Step 1 | 87.3% | 60% | 72-78% |
| Step 2 CK | 89.1% | 60% | 74-80% |
| Step 3 | 88.9% | 55% | 73-79% |
GPT-4o는 3개 스텝 모두에서 미국 의대생 평균을 상회한다.
MedQA (중국 의사 면허 시험 기반 영어 버전)
5,000개의 임상 문제로 구성. GPT-4o는 85.2% 정답률로 한국 의대생 평균(추정 80%) 수준이다.
PubMedQA
PubMed 논문 요약에서 예/아니오/아마도를 추론하는 문제. GPT-4o는 82.4%로 전문가 평균(82.7%)과 거의 동등하다.
GPT-4o 멀티모달 의료 성능
GPT-4o는 텍스트뿐 아니라 이미지, 음성을 처리할 수 있는 멀티모달 모델이다.
의료 영상 분석:
- 흉부 X-ray 이상 소견 인식: 민감도 79.3% (전문 AI 모델 대비 낮음)
- 피부 병변 설명 생성: 임상의 평가 기준 “충분히 유용” 71%
- 심전도 해석: 기본적인 리듬 이상(심방세동, ST 상승) 인식 가능, 세밀한 분석은 한계
중요한 차이: GPT-4o의 영상 분석은 의료 영상 전용 AI(루닛 INSIGHT, Google DeepMind 안저 AI 등)보다 성능이 낮다. 범용 LLM이 전문 진단 AI를 대체하기는 아직 어렵다.
o3 추론 모델의 의료 성능
OpenAI의 o3는 복잡한 추론 문제에 특화된 모델로, 의료 분야에서 특히 주목받는다.
o3의 강점 분야:
- 복잡한 감별 진단: 여러 증상을 종합해 드문 질환까지 고려하는 추론 능력
- 임상 시나리오 기반 문제: USMLE 스타일의 복잡한 케이스 문제에서 95.1%
- 약물 상호작용 확인: 다약제 처방 시 상호작용 체크에서 높은 정확도
o3의 한계:
- 응답 생성 시간이 GPT-4o보다 느림 (복잡한 의료 문제에서 30-90초)
- 비용이 GPT-4o의 약 5-10배 (API 기준)
실제 임상 적용 주의사항
1. 환각(Hallucination) 문제
GPT-4o는 존재하지 않는 약물, 가상의 연구 결과를 자신 있게 제시할 수 있다. 2024년 JAMA 연구에서 ChatGPT가 의학 참고 문헌을 요청했을 때 약 14%의 인용 문헌이 가짜였다.
실제 사례: “메트포르민과 로수바스타틴 상호작용을 물었을 때 GPT-4o가 근거 없는 심각한 상호작용을 언급하는 경우가 드물게 있음” — 반드시 공식 약물 정보 DB(Micromedex, 약학정보원)와 교차 확인 필요.
2. 최신성 한계
GPT-4o의 학습 데이터 기준은 2023년 10월이다. 2024년 이후 새로 발표된 가이드라인(ACC/AHA 심부전 가이드라인, 대한당뇨병학회 진료지침 등)은 반영되지 않을 수 있다.
3. 한국어 의료 성능
한국어 의료 벤치마크에서 GPT-4o의 성능은 영어 대비 약 10-15%p 낮다는 것이 내부 테스트에서 확인된다. 특히 한국 건강보험 청구 코드, 식약처 허가 정보, 한국 임상 가이드라인 관련 질문에서 정확도가 낮아진다.
4. FDA/식약처 비승인
GPT-4o는 의료기기 소프트웨어로 FDA나 식약처 허가를 받지 않았다. 진단 보조 도구로 사용하더라도 최종 임상 결정은 허가된 의료기기 또는 의사의 판단을 따라야 한다.
현실적 활용 가이드
의사들이 GPT-4o를 안전하게 활용할 수 있는 영역:
| 활용 영역 | 권장 수준 | 주의사항 |
|---|---|---|
| 환자 설명문 초안 작성 | 높음 | 의사 검토 후 사용 |
| 의학 교육 자료 정리 | 높음 | 참고 문헌 별도 확인 |
| 논문 초록 한국어 요약 | 높음 | 핵심 수치 원문 대조 |
| 감별 진단 브레인스토밍 | 중간 | 최종 판단은 의사 |
| 약물 상호작용 1차 확인 | 중간 | 반드시 공식 DB 교차 확인 |
| 진단 결정 | 낮음 | AI 단독 진단 금지 |
| 처방 결정 | 낮음 | AI 처방 추천 금지 |
핵심 정리
- GPT-4o USMLE 평균 88.5%, o3는 95.1% — 모두 미국 의사 평균을 상회
- o1/o3 추론 모델이 복잡한 감별 진단에서 GPT-4o보다 우수
- 영상 분석은 전문 의료 AI 대비 성능 열세 — 멀티모달이라도 전문 AI 대체는 아님
- 한국어 의료 질문에서 영어 대비 10-15%p 성능 저하 존재
- 약물 상호작용, 인용 문헌은 반드시 공식 DB 교차 확인 필수 — 환각 위험