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 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...