[논문 리뷰] Federated Learning for Privacy-Preserving Medical AI

Tin Hoang|arXiv (Cornell University)|2026. 03. 16.

Privacy-Preserving Technologies in Data인용 수 0

한 줄 요약

이 논문은 Alzheimer’s 질환 분류를 위한 ADNI MRI 데이터에서 프라이버시 보호 연합 학습을 가능하게 하는 사이트 인식 데이터 파티셔닝과 Adaptive Local Differential Privacy(ALDP)를 개발하여 강한 프라이버시 보장을 유지하며 경쟁력 있는 정확도를 보임.

ABSTRACT

This dissertation investigates privacy-preserving federated learning for Alzheimer's disease classification using three-dimensional MRI data from the Alzheimer's Disease Neuroimaging Initiative (ADNI). Existing methodologies often suffer from unrealistic data partitioning, inadequate privacy guarantees, and insufficient benchmarking, limiting their practical deployment in healthcare. To address these gaps, this research proposes a novel site-aware data partitioning strategy that preserves institutional boundaries, reflecting real-world multi-institutional collaborations and data heterogeneity. Furthermore, an Adaptive Local Differential Privacy (ALDP) mechanism is introduced, dynamically adjusting privacy parameters based on training progression and parameter characteristics, thereby significantly improving the privacy-utility trade-off over traditional fixed-noise approaches. Systematic empirical evaluation across multiple client federations and privacy budgets demonstrated that advanced federated optimisation algorithms, particularly FedProx, could equal or surpass centralised training performance while ensuring rigorous privacy protection. Notably, ALDP achieved up to 80.4% accuracy in a two-client configuration, surpassing fixed-noise Local DP by 5-7 percentage points and demonstrating substantially greater training stability. The comprehensive ablation studies and benchmarking establish quantitative standards for privacy-preserving collaborative medical AI, providing practical guidelines for real-world deployment. This work thereby advances the state-of-the-art in federated learning for medical imaging, establishing both methodological foundations and empirical evidence necessary for future privacy-compliant AI adoption in healthcare.

연구 동기 및 목표

• 의료 AI의 데이터 단편화를 다기관 경계 보전을 통해 federation 중에 해결합니다.
• 훈련 중 프라이버시 노이즈를 동적으로 조정하기 위한 Adaptive Local Differential Privacy(ALDP)를 개발합니다.
• 현실적인 다기관 조건에서 연합 학습 전략(FedAvg, FedProx, SecAgg+)을 벤치마크합니다.
• ADNI 데이터를 이용한 신경영상 응용에서 프라이버시-유용성 트레이드를 위한 실증적 가이드라인을 제공합니다.

제안 방법

• 현실적인 다기관 협업 및 데이터 이질성을 반영하기 위한 사이트 인식 데이터 파티셔닝을 도입합니다.
• 훈련 진행 상황에 따라 각 라운드 및 파라미터 텐서별 프라이버시 매개변수를 조정하는 ALDP를 제안합니다.
• 3D MRI 분류를 위한 구성 가능한 연합 학습 프레임워크를 구축하기 위해 Flower, MONAI, PyTorch를 통합합니다.
• 2~4명의 클라이언트 간에 중앙집중식 학습과 비교하여 연합 학습 전략(FedAvg, FedProx, SecAgg+)을 평가합니다.
• 다양한 프라이버시 예산(ε, δ) 하에서 Local DP와 ALDP의 프라이버시-유용성 트레이드를 평가합니다.

실험 결과

연구 질문

• RQ1 사이트 인식 데이터 파티셔닝이 다기관 의학 영상에서 연합 학습 성능에 어떤 영향을 미치는가?
• RQ2 ALDP가 고정 노이즈 Local DP에 비해 프라이버시-유용성 균형을 개선하는가?
• RQ3 현실적인 프라이버시 제약 하에서 고급 연합 최적화 방법(FedProx)이 중앙집중 학습 성능에 근접하거나 이를 능가하는가?
• RQ4 ADNI 데이터에 대한 프라이버시 보호 연합 학습의 실용적 벤치마크는 무엇인가(정확도, 강건성, 학습 안정성)?
• RQ5 신경영상 데이터를 사용하는 헬스케어에서 프라이버시 보호 연합 학습의 배치를 위한 실용적 가이드라인은 무엇인가?

주요 결과

• ALDP는 이중 클라이언트 구성에서 최대 80.4%의 정확도를 달성하여 고정 노이즈 Local DP보다 5–7% 포인트 높은 성능을 보였습니다.
• ALDP는 전통적인 DP 접근법에 비해 낮은 분산(0.80%)으로 학습 안정성이 significantly 더 높았습니다.
• FedProx는 3-클라이언트 설정에서 81.4±3.2%의 정확도에 도달하여 중앙집중 학습(80.2±2.2%)을 능가했습니다.
• FedProx는 AD 민감도를 64%에서 74%로 크게 개선했습니다.
• 사이트 인식 파티셔닝은 의료 영상에서 다기관 연합 학습의 현실적인 평가를 가능하게 하며, 실용적 배치에 대한 가이드를 지원합니다.