연합 학습 기반 간 병변 탐지 기술 페드오지 개발

주장연합 직교 학습인 페드오지(FedOG)는 다기관 간 컴퓨터 단층촬영 영상에서 발생하는 데이터 불완전성 문제를 해결합니다. 이 기술은 기관 간 데이터 이질성을 극복하여 인공지능 모델의 성능 저하를 방지합니다.

팩트연구진은 5개 기관에서 수집한 3,668건의 다단계 조영 증강 컴퓨터 단층촬영 영상을 활용했습니다. 이 데이터셋은 실제 임상 환경을 반영하여 구성되었습니다.

팩트페드오지 모델은 실제 임상 데이터셋에서 다이스 점수를 1.67% 향상시켰습니다. 또한 두 개의 공개 데이터셋에서도 각각 1.13%와 3.03%의 성능 개선을 확인했습니다.

주장이번 연구는 의료 데이터 보호 규정을 준수하면서도 협력적인 모델 학습이 가능함을 입증했습니다. 개인정보를 보호하면서도 고성능의 인공지능 모델을 구축할 수 있는 실질적인 대안을 제시합니다.

교차검증연합 학습은 데이터가 각 기관에 분산되어 있어 모델 학습 시 데이터 불균형이나 이질성 문제가 발생할 수 있습니다. 페드오지는 직교 경사 분해를 통해 이러한 간섭을 최소화하는 방식을 택했습니다.

팩트모델 학습 과정에서 최적의 경사값은 베이지안 최적화 기법을 통해 결정됩니다. 이를 통해 전역 모델 업데이트 시 발생하는 오류를 효과적으로 조정합니다.

주장페드오지는 의료 인프라가 부족한 지역에서 특히 유용하게 활용될 수 있습니다. 영상 데이터의 품질이 낮거나 일부 단계가 누락된 경우에도 안정적인 성능을 유지하기 때문입니다.

팩트본 연구는 저장성 주요 과학기술 계획 프로젝트 및 상하이시 과학기술 위원회 등 다수의 중국 내 연구 기금 지원을 받아 수행되었습니다. 연구진은 절강대학교와 상하이교통대학교 등 주요 의료 및 교육 기관 소속입니다.

교차검증본 연구는 특정 의료 영상 데이터에 최적화되어 있으므로 다른 질환이나 영상 모달리티에 적용할 경우 추가적인 검증이 필요합니다. 데이터의 이질성이 극도로 높은 환경에서의 확장성 또한 향후 과제로 남아 있습니다.

출처해당 연구 내용은 2026년 6월 8일 학술지 엔피제이 디지털 메디신(npj Digital Medicine)에 게재된 논문을 통해 교차 검증했습니다.