MediWave

  http://dx.doi.org/10.31916/sjmi2024-01-03    1. 서론 인공지능(AI)은 우리의 일상과 산업 전반을 혁신적으로 변화시키고 있습니다.  특히, AI는 방대한 데이터를 수집·분석하여 맞춤형 서비스를 제공할 수 있게 하지만, 동시에 개인정보 보호(personal data protection)에 대한 심각한 우려를 야기하고 있습니다.  인공지능이 활용하는 알고리즘은 불투명하고, 데이터 처리 과정이 설명 불가능한 경우가 많아 개인의 권리와 자유를 위협할 수 있습니다.  따라서 인공지능 시대의 개인정보 보호 전략 은 법률, 기술, 윤리적 차원을 모두 아우르는 복합적 접근이 필요합니다. 본 칼럼은 GDPR(유럽 일반개인정보보호규정), CCPA(캘리포니아 소비자 개인정보보호법), 한국의 개인정보보호법(PIPA)을 중심으로 개인정보 보호의 현황과 과제를 살펴보고, 향후 AI 시대에 요구되는 정책적·기술적 해결책을 제시합니다. 2. 개인정보 보호의 중요성 디지털 사회에서 개인정보 보호는 단순한 법적 의무를 넘어, 프라이버시(privacy)와 사회적 신뢰(trust)의 핵심 입니다. 개인정보가 유출되거나 오·남용될 경우 다음과 같은 문제가 발생합니다. 정체성 도용(identity theft) : 금융 피해, 범죄 악용 감정적·사회적 피해 : 불법적 감시, 차별적 알고리즘 경제적 악영향 : 사용자 신뢰 저하로 인한 서비스 참여 감소 유럽연합(EU)은 2018년 GDPR 을 시행하며 투명성과 책임성을 강화하였고, 미국 캘리포니아주는 CCPA 를 통해 소비자의 데이터 통제권을 보장하였습니다. 한국 역시 개인정보보호법을 개정하며 대응하고 있으나, AI 기술 발전 속도를 따라가기엔 여전히 부족합니다. 3. 주요 개인정보 보호 규제 비교 (1) GDPR – 유럽 일반개인정보보호규정 그림 1. GDPR의 핵심 원칙은 데이터 처리의 투명성과 정보주체 권리 보...

 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 보호 와 법적 규제 라는 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 HIPAA 와 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-tuning 을 적용하였다.  그 결과, 한 기관의 성능을 넘어서는 협업형 AI 모델을...