연합학습(Federated Learning)과 파운데이션 모델(Foundation Model)을 활용한 개인정보보호 기반 영상의학 인공지능 모델의 혁신
연합학습(Federated Learning)과 파운데이션 모델(Foundation Model)을 활용한 개인정보보호 기반 영상의학 인공지능 모델의 혁신
doi: 10.1038/s41746-025-01800-1
서론: 의료 인공지능(AI)과 개인정보 보호의 갈림길
의료영상 분야에서 인공지능(AI)의 활용은 이미 다양한 진단 영역에서 임상적 성과를 입증하고 있다.
그러나 각 병원이 보유한 환자 데이터를 직접 중앙 서버로 통합하기에는 환자 개인정보 보호와 법적 규제라는 장벽이 존재한다.
이처럼 데이터 이동이 제한되는 환경에서 대안으로 주목받는 기술이 연합학습(Federated Learning, FL)이다.
최근 발표된 Nature Digital Medicine의 논문에서는, FL과 파운데이션 모델(Foundation Model)을 결합하여 영상의학에서의 협업형 AI 개발을 획기적으로 개선할 수 있는 방법을 제시했다.
본론
1. 연합학습(Federated Learning)의 개요
연합학습은 각 병원이나 기관이 자신들의 데이터를 로컬 서버에 보관한 채로, 중앙 서버와 모델 파라미터만을 공유하는 방식이다.
이러한 방식은 개인 데이터를 외부로 전송하지 않기 때문에 GDPR 및 HIPAA와 같은 국제 개인정보 보호 규정에 부합한다.
FL의 핵심 이점:
-
데이터 소유권 유지
-
법적·윤리적 데이터 보호
-
다기관 협업 가능
2. 파운데이션 모델의 접목
파운데이션 모델이란 대량의 데이터로 사전학습(pretraining)된 대형 신경망으로, 의료영상 분야에서는 CT, MRI, X-ray 등 다양한 모달리티의 정보를 사전학습하여 전이학습(transfer learning)의 기반으로 활용된다.
이번 연구에서는 대규모 학습된 파운데이션 모델을 기반으로 하여 multi-institution FL fine-tuning을 적용하였다.
그 결과, 한 기관의 성능을 넘어서는 협업형 AI 모델을 생성할 수 있었으며, 특히 데이터 수가 적은 병원에서도 성능 하락 없이 높은 진단 정확도를 유지하였다.
3. 연구 디자인과 결과 요약
이 연구는 11개의 병원 및 의료기관이 참여한 대규모 연합 프로젝트로, 흉부 X-ray 진단에 특화된 CLIP 기반의 비전-언어 파운데이션 모델(Vision-Language Foundation Model, VLM)을 활용하였다.
그림 1: AI/ML 기반 의료 기기의 분류
주요 성과:
-
전통적인 FL에 비해 훈련 효율성 30% 향상
-
단일 기관 모델 대비 AUC 평균 4.6% 증가
-
데이터가 적은 기관에서도 성능 균일성 확보
이 연구는 특히 소규모 데이터셋을 가진 기관도 중앙 모델 수준의 성능을 구현할 수 있다는 점에서, 의료AI의 민주화에 중요한 시사점을 제공한다.
4. 기술적 접근법
A. FL 알고리즘: FedAvg vs FedProx vs MOON
-
기본적으로는 FedAvg 알고리즘을 기반으로 하되, 각 기관의 데이터 이질성을 고려하여 MOON(Matching Orthogonalized Output Normalization) 알고리즘을 도입함으로써 병원 간 분산 편향을 최소화했다.
B. Privacy & Security 강화
-
Differential Privacy 기법을 통해 모델 업데이트 시 노이즈 삽입을 통해 역추론 공격 방지
-
Homomorphic Encryption 기반의 모델 업데이트 암호화
C. 성능 지표 및 평가
-
AUROC (Area Under the ROC Curve), F1 Score, Calibration Error, Recall@K 등 다양한 임상적 평가 기준을 적용
5. 의료AI 산업에서의 의미
다기관 연구의 신뢰성 확보
단일 기관에서 개발된 AI는 일반화 성능이 떨어지는 경우가 많다. 반면, 연합학습은 다양한 기관의 데이터를 반영함으로써 실제 임상 환경에서의 적용 가능성을 크게 높일 수 있다.
저자원의 병원에도 AI 기술 도입 가능
데이터가 적은 소규모 병원에서도 협업형 모델을 이용하여 대형병원 수준의 진단 AI를 사용할 수 있다. 이는 의료 양극화 해소에 중요한 전환점을 제공한다.
전 세계적 협업의 기술 기반
향후에는 이 모델을 기반으로 국경을 넘는 글로벌 의료협업도 가능해질 것으로 기대된다.
결론: 의료 AI의 미래, 프라이버시와 협업의 균형
이 논문은 파운데이션 모델과 연합학습을 결합하여, 효율성, 확장성, 개인정보 보호라는 세 마리 토끼를 동시에 잡을 수 있다는 가능성을 입증했다. 앞으로 의료영상AI는 고립된 병원 내 개발이 아닌, 분산 협업형 생태계에서 성장할 것이며, 이 연구는 그 중요한 이정표로 기록될 것이다.
참고문헌
[1] T. Wang et al., “Federated learning with foundation models enables scalable and privacy-preserving collaborative radiology model development,” npj Digital Medicine, vol. 8, 2025. [Online]. Available: https://www.nature.com/articles/s41746-025-01800-1
[2] B. McMahan et al., “Communication-efficient learning of deep networks from decentralized data,” in Proc. of AISTATS, 2017.
[3] Q. Li et al., “Federated Optimization in Heterogeneous Networks,” in Proc. of MLSys, 2020.
[4] J. Konečný et al., “Federated Learning: Strategies for Improving Communication Efficiency,” arXiv preprint arXiv:1610.05492, 2016.
[5] A. Gholami et al., “A Survey on Federated Learning: The Journey from Centralized to Decentralized AI,” IEEE Access, vol. 8, 2020.
[6] D. Silver et al., “MOON: Model-Contrastive Federated Learning,” in Proc. of NeurIPS, 2021.
[7] L. Deng et al., “Differentially Private Federated Learning: A Client Level Perspective,” in IEEE Transactions on Neural Networks and Learning Systems, vol. 34, no. 3, pp. 1412–1426, Mar. 2023.
댓글
댓글 쓰기