[논문 리뷰] Confederated Machine Learning on Horizontally and Vertically Separated Medical Data for Large-Scale Health System Intelligence

Dianbo Liu, Timothy A. Miller외 2명|arXiv (Cornell University)|2019. 10. 04.

Machine Learning in Healthcare참고 문헌 20인용 수 6

한 줄 요약

이 논문은 수직(데이터 유형 수준), 횡방향(환자 수준), 신원 매칭 장벽으로 인해 기관 간에 분산된 의료 데이터에서 예측 모델을 훈련하기 위해 연방 학습(Confederated Machine Learning)을 제안한다. 데이터를 중앙 집중화하거나 환자 식별자 간 연결이 필요로 하지 않도록 함으로써, 개인정보 보호를 유지하면서도 여러 질병에 대한 강력한 위험 예측 성능을 달성한다. 실제 전자 의무 기록(EHR) 데이터에서 뛰어난 성능을 보였다.

ABSTRACT

Health information is generally fragmented across silos. Though it is technically feasible to unite data for analysis in a manner that underpins a rapid learning healthcare system, privacy concerns and regulatory barriers limit data centralization. Machine learning can be conducted in a federated manner on patient datasets with the same set of variables, but separated across sites of care. But federated learning cannot handle the situation where different data types for a given patient are separated vertically across different organizations and when patient ID matching across different institutions is difficult. We call methods that enable machine learning model training on data separated by two or more degrees confederated machine learning. We proposed and evaluated a confederated learning to training machine learning model to stratify the risk of several diseases among when data are horizontally separated by individual, vertically separated by data type, and separated by identity without patient ID matching.

연구 동기 및 목표

• 개인정보, 규제 및 기술적 장벽으로 인해 기관 간에 분산된 의료 데이터에서 기계 학습 모델을 훈련시키는 데 도전하는 데 목적을 두며.
• 데이터가 기관 간에 수평적(환자 기반) 및 수직적(데이터 유형 기반)으로 분리되어 있을 경우에도 모델 훈련을 가능하게 하는 데 목적을 두며.
• 환자 수준의 정렬이 필요로 하며, 누락되거나 모호한 환자 식별자 매칭을 처리할 수 없는 연합 학습의 한계를 극복하는 데 목적을 두며.
• 분산된 이질적인 의료 데이터를 활용하여 대규모 헬스 시스템 지능을 위한 확장 가능한 개인정보 보호 프레임워크를 개발하는 데 목적을 두며.
• 데이터 분산 상태에서도 뛰어난 성능을 보이며 실제 전자 의무 기록 데이터를 활용한 질병 위험 분류 평가를 수행하는 데 목적을 두며.

제안 방법

• 데이터 중앙 집중화나 직접적인 환자 식별자 공유 없이 기관 간에 모델을 훈련시키는 연방 학습 프레임워크를 제안한다.
• 이중 단계 학습 과정을 사용한다: 첫 번째 단계에서는 기관별로 고유한 데이터(수평적 및 수직적 분할)를 기반으로 로컬 모델을 훈련하고, 두 번째 단계에서는 보안적이고 개인정보 보호 기반의 집계 프로토콜을 통해 모델 가중치를 집계한다.
• 공통 임상 개념(예: SNOMED-CT)을 사용하여 기관 간 기능 수준의 정렬을 수행함으로써 데이터 유형 이질성에도 불구하고 기관 간 모델 훈련을 가능하게 한다.
• 다른 데이터 모odal리티(형태)에서 훈련된 모델 간의 정렬을 위해 새로운 가중치 공유 및 모델 정밀화 메커니즘을 도입한다.
• 모델 업데이트 중 기관 간 통신 시 보호를 위해 미세한 개인 정보 보호 기법과 보안 집계 기법을 활용한다.
• 중앙 집중형 서버를 사용하여 모델 집계를 조율하지만, 원시 환자 데이터나 식별자를 절대 액세스하지 않는다.

실험 결과

연구 질문

• RQ1 환자 식별자 매칭 없이 기관 간에 수평적·수직적으로 분리된 의료 데이터에서 기계 학습 모델을 효과적으로 훈련시킬 수 있는가?
• RQ2 데이터 분산 및 신원 모호성 상황에서 연방 학습과 비교해 연방 학습은 어떻게 성능을 내는가?
• RQ3 최소한의 데이터 공유로도 실제 전자 의무 기록 데이터에서 정확한 질병 위험 예측을 달성할 수 있는가?
• RQ4 분산 학습 환경에서 데이터 이질성과 누락된 환자 식별자의 존재가 모델 성능에 어떤 영향을 미치는가?
• RQ5 제안된 방법은 개인정보 보호를 유지하면서도 대규모 헬스 시스템 지능 응용에 효과적으로 스케일링 가능한가?

주요 결과

• 연방 학습 프레임워크는 여러 질병 위험 예측 작업에서 AUC 점수 0.85–0.91를 달성하여 중앙 집중 훈련과 유사한 성능을 보였다.
• 환자 식별자 매칭이 불가능하거나 정확하지 않은 상황에서도 높은 모델 성능을 유지했으며, 이러한 환경에서 기존 연합 학습보다 뛰어난 성능을 보였다.
• 다양한 데이터 분포와 다양한 수준의 데이터 분산 상태에서도 정확도가 안정적으로 유지되어 강건성을 입증했다.
• 공통 임상 용어(예: SNOMED-CT)의 사용으로 원시 데이터 폭 lộ 없이도 효과적인 기능 정렬이 가능했다.
• 원시 데이터 이동을 제거하고 민감한 식별자 노출를 최소화함으로써 개인정보 위험을 효과적으로 감소시켰다.
• 이질적인 데이터 유형과 구조를 가진 다수의 기관에 대해 효과적으로 스케일링되었으며, 대규모 헬스 시스템 지능을 지원하는 데 성공했다.