[논문 리뷰] Federated Learning for Privacy-Preserving Open Innovation Future on Digital Health

Guodong Long, Tao Shen외 4명|arXiv (Cornell University)|2021. 08. 24.

Privacy-Preserving Technologies in Data인용 수 11

한 줄 요약

이 논문은 디지털 헬스 분야에서의 개방형 혁신을 위한 개인정보 보호 프레임워크로 연합 학습(FL)을 제안하며, 환자 데이터를 중앙 집중화하지 않고도 의료 기관 간에 공동으로 공유 AI 모델을 훈련시킬 수 있도록 한다. 분산된 데이터 소스에서 온 모델 업데이트를 집계함으로써 FL은 중앙 집중 학습과 유사한 성능를 달성하면서도 데이터 기밀성을 보장하여, 더 일반화 가능하고 개인 맞춤형이며 확장 가능한 의료 AI 응용 프로그램을 가능하게 한다.

ABSTRACT

Privacy protection is an ethical issue with broad concern in Artificial Intelligence (AI). Federated learning is a new machine learning paradigm to learn a shared model across users or organisations without direct access to the data. It has great potential to be the next-general AI model training framework that offers privacy protection and therefore has broad implications for the future of digital health and healthcare informatics. Implementing an open innovation framework in the healthcare industry, namely open health, is to enhance innovation and creative capability of health-related organisations by building a next-generation collaborative framework with partner organisations and the research community. In particular, this game-changing collaborative framework offers knowledge sharing from diverse data with a privacy-preserving. This chapter will discuss how federated learning can enable the development of an open health ecosystem with the support of AI. Existing challenges and solutions for federated learning will be discussed.

연구 동기 및 목표

• 원시 환자 데이터를 공유하지 않고도 의료 AI에서의 데이터 기밀성과 규제 제약을 해결하기 위해 공동 모델 훈련을 가능하게 하는 것.
• 병원, 연구자, 보건 기관 간의 지식과 데이터 공유를 위한 탈중앙화된 프레임워크를 제공함으로써 의료 분야의 개방형 혁신을 지원하는 것.
• 다중 기관 의료 기계 학습에서의 데이터 이질성과 보안 한계를 연합 학습 시스템을 통해 극복하는 것.
• FL이 환자 기밀성을 유지하면서도 HIPAA 및 GDPR과 같은 규정을 준수하는 가운데 중심 학습과 유사한 성능를 달성할 수 있음을 입증하는 것.
• 다양한 건강 데이터셋을 기반으로 임상 예측 및 의사결정 지원을 위한 더 일반화 가능하고 개인 맞춤형이며 확장 가능한 AI 모델 개발을 가능하게 하는 것.

제안 방법

• 연합 학습은 각 기관의 현장에서 비공개 데이터를 사용해 로컬 모델을 훈련시키는 탈중앙화된 기계 학습 철학으로 구현된다.
• 원시 데이터 대신 모델 파라미터와 기울기를 참가자 간에 공유함으로써 데이터 기밀성을 유지하고 규정을 준수한다.
• 중앙 서버는 FedAvg 또는 유사한 집계 알고리즘을 사용해 여러 클라이언트로부터 온 모델 업데이트를 집계하여 글로벌 모델을 훈련시킨다.
• 이 프레임워크는 다수의 기관(예: 병원)이 환자 수준의 데이터를 공유하지 않고도 협력할 수 있는 크로스실(FL)을 지원한다.
• 시스템은 표형 전자 의료 기록(EHR), 의료 영상, 웨어러블 기기에서 유입되는 시계열 데이터를 포함한 이질적인 데이터 구조를 처리하도록 설계되었다.
• 이 접근법은 다중 모odal 데이터 융합과 해석 가능한 모델 개발을 지원하여 임상적 관련성과 신뢰도를 높인다.

실험 결과

연구 질문

• RQ1 연합 학습은 민감한 환자 데이터를 공유하지 않고도 의료 분야에서 효과적인 공동 AI 모델 훈련을 가능하게 할 수 있는가?
• RQ2 임상 예측 과제에서 연합 학습은 중심 학습 대비 어떤 성능 차이를 보이는가?
• RQ3 얼마나 깊이까지 FL은 기관 간 안전한 데이터 협업을 가능하게 하여 의료 분야의 개방형 혁신을 지원할 수 있는가?
• RQ4 FL은 다중 기관 의료 환경에서의 데이터 이질성과 기밀성 문제를 어떻게 해결할 수 있는가?
• RQ5 FL은 환자 결과 개선과 의료 시스템 지속 가능성 향상에 있어 실질적인 영향을 미칠 수 있는가?

주요 결과

• 심장병로 인한 입원 예측에서 연합 학습은 중심 학습과 유사한 AUC와 정확도를 달성하여 유사한 성능를 보였다.
• 입원 중 사망 예측 과제에서 FL 프레임워크는 중심 모델의 성능을 그대로 따라잡아 실제 임상 환경에서의 실현 가능성을 입증했다.
• Lee 등(2018)의 연구에서 보듯이, FL은 개인 수준의 데이터를暴露하지 않고도 기관 간에 개인정보 보호를 실현한 환자 유사성 검색을 가능하게 했다.
• Kim 등(2017)의 연구에서 보듯이, FL은 환자 수준의 데이터를 공유하지 않고도 계산 기반 표현형 분석을 가능하게 하여 확장성 있고 윤리적인 데이터 활용을 지원했다.
• 다중 기관 데이터를 기반으로 FL을 통해 훈련된 글로벌 모델은 MIMIC-III와 같은 단일 기관 데이터셋을 기반으로 훈련된 모델보다 더 우수한 일반화 성능를 보였다.
• FL의 활용은 질병 조기 진단, 입원 횟수 감소, 만성질환 관리 향상에 기여하여 의료 시스템의 지속 가능성에 기여할 수 있다.