[논문 리뷰] Applications of Machine Learning in Healthcare and Internet of Things (IOT): A Comprehensive Review

Farid Ghareh Mohammadi, Farzan Shenavarmasouleh외 1명|arXiv (Cornell University)|2022. 02. 06.

IoT and Edge/Fog Computing인용 수 8

한 줄 요약

이 종합적 리뷰는 의료 IoT에서의 머신러닝 응용을 검토하며, 개인정보 보호 및 확장성 도전 과제를 해결하기 위해 분산 학습 프레임워크인 페더레이티드 러닝(FL)에 초점을 맞춘다. 이 리뷰는 PerFit 및 FedHealth와 같은 FL 기반 솔루션을 제안하여 민감한 환자 데이터를 중앙집중화하지 않고 이질적인 IoT 기기 간에 안전하고 개인화된 모델 훈련을 가능하게 하며, 건강 모니터링 작업에서 높은 정확도를 달성한다.

ABSTRACT

In recent years, smart healthcare IoT devices have become ubiquitous, but they work in isolated networks due to their policy. Having these devices connected in a network enables us to perform medical distributed data analysis. However, the presence of diverse IoT devices in terms of technology, structure, and network policy, makes it a challenging issue while applying traditional centralized learning algorithms on decentralized data collected from the IoT devices. In this study, we present an extensive review of the state-of-the-art machine learning applications particularly in healthcare, challenging issues in IoT, and corresponding promising solutions. Finally, we highlight some open-ended issues of IoT in healthcare that leaves further research studies and investigation for scientists.

연구 동기 및 목표

• 중앙집중식 머신러닝을 분산되고 이질적인 IoT 의료 데이터에 적용하는 데 도전 과제를 해결하기 위해.
• IoT 기기에서 유래한 분산된 의료 데이터 분석의 개인정보 및 보안 위험을 극복하기 위해.
• 데이터 프라이버시를 유지하면서 정확한 건강 예측을 가능하게 하는 확장성 있고 효율적인 머신러닝 프레임워크를 개발하기 위해.
• 실제 의료 IoT 환경에서의 페더레이티드 러닝 성능에 영향을 미치는 통계적 및 시스템 이질성의 영향을 조사하기 위해.
• 최소한의 데이터 전송으로 개인화되고 실시간 건강 모니터링을 지원하는 새로운 FL 기반 아키텍처를 제안하고 평가하기 위해.

제안 방법

• 원시 환자 데이터를 공유하지 않고도 분산된 IoT 기기 간에 글로벌 및 개인화된 모델을 훈련하기 위해 페더레이티드 러닝(FL)을 활용한다.
• 세 단계(작업 분리, 모델 학습, 개인화)를 거쳐 글로벌 모델을 개별 사용자에 맞게 적응시키는 PerFit 프레임워크를 구현한다.
• 다양한 의료 IoT 사용자 간의 통계적 데이터 분포의 편차를 줄이기 위해 FedHealth에 전이 학습을 통합한다.
• 클라이언트와 중앙 서버 간에 교환되는 모델 업데이트를 보호하기 위해 암호화 기법을 적용한다.
• 로컬 모델 업데이트를 통합하여 강력한 글로벌 모델을 생성하기 위해 FedAvg를 페더레이티드 최적화 알고리즘으로 사용한다.
• 네트워크 대역폭과 지연을 줄이기 위해 경량의 온디바이스 AI 모델을 활용하여 초기 데이터 분석을 수행한다.

실험 결과

연구 질문

• RQ1 원시 환자 데이터를 공유하지 않으면서도 IoT 기기에서 수집된 분산되고 이질적인 의료 데이터에 대해 머신러닝 모델을 효과적으로 훈련할 수 있는 방법은 무엇인가?
• RQ2 기존의 중앙집중식 학습을 IoT 의료 시스템에 적용할 때 발생하는 주요 과제는 무엇이며, 기존 머신러닝 응용과는 어떻게 다를까?
• RQ3 PerFit 및 FedHealth와 같은 페더레이티드 러닝 프레임워크가 실제 의료 IoT 환경에서 모델 정확도와 개인화 수준을 얼마나 향상시킬 수 있는가?
• RQ4 IoT 기기 간의 통계적 및 시스템 이질성이 의료 분야의 페더레이티드 러닝 수렴성과 성능에 미치는 영향은 어떠한가?
• RQ5 전이 학습은 다양한 의료 IoT 사용자 간의 데이터 분포 이동을 줄이고 모델 일반화 능력을 향상시키는 데 어떤 역할을 하는가?

주요 결과

• 페더레이티드 러닝은 원시 데이터를 로컬 기기에서 유지함으로써 분산된 IoT 의료 기기 간에 효과적인 모델 훈련을 가능하게 하며 환자 데이터 프라이버시를 보호한다.
• PerFit 프레임워크는 모바일 액티비티 데이터셋에서 인간 활동 인식 작업에서 높은 성능을 달성하여 세 단계 학습을 통한 효과적인 개인화를 입증했다.
• 전이 학습과 암호화를 통합한 FedHealth는 이질적인 데이터를 가진 병원 간 응용 분야에서 모델 일반화 능력과 보안성을 향상시켰다.
• CPU, 메모리, 대역폭, 전력 등이 다른 이질적인 IoT 기기들은 FL 수렴성과 시스템 안정성에 심각한 도전 과제를 제기하며, 고장 내성 구성이 필요하다.
• 사용자 간의 통계적 이질성은 모델 분산을 유도하지만, 전이 학습을 통해 다양한 데이터 분포 간의 표현을 정렬함으로써 이를 효과적으로 완화한다.
• 개인정보 보호 기반의 페더레이티드 러닝 프레임워크는 모델 업데이트와 최종 모델에 대한 추론 공격에 저항할 수 있으며, 분산된 의료 시스템의 데이터 보안을 크게 향상시킨다.