인공지능(AI)은 사회 전반에 혁신적인 변화를 불러왔으며, 특히 의료 산업에서 빠르게 발전하고 있다. 의료 분야에서 딥러닝 모델을 학습할 경우 데이터에 환자의 개인정보가 포함되어 있어 개인정보 침해에 대한 우려가 많았다.

이 때문에 각 병원의 데이터를 중앙 서버로 모으는 것이 힘들었고, 나아가 여러 병원에서 공동으로 사용할 수 있는 대규모 모델을 개발하기도 어려웠다.

이 문제를 해결하기 위해 연합학습((Federated Learning, FL)은 데이터를 중앙서버에 수집하지 않고 각 병원이나 기관에서 학습한 모델만을 수집해 중앙서버로 전송하여 학습한다.

그러나 중앙 서버로 모델을 여러 번 전송해야하는 어려움이 있다. 특히 환자 데이터를 안전하게 보관해야 하는 병원에서는 모델을 중앙 서버로 반복 전송하는 데 비용과 시간이 많이 들기 때문에, 모델 전송 횟수를 최소화해야할 필요가 있다.

여기에, DGIST(총장 국양) 로봇및기계전자공학과 박상현 교수팀이 미국 스탠퍼드 대학팀과 협력해 개인정보 및 데이터 공유 없이도 대규모 모델 학습이 가능한 연합학습 AI 기술을 개발했다. 이 기술은 여러 기관이 함께 사용할 수 있는 모델을 효율적으로 학습할 수 있어 의료 영상 분석 분야에 큰 기여를 할 수 있을 것으로 기대된다.

박상현 교수 연구팀은 이미지 생성과 미리 잘 학습된 네트워크를 활용해 실제로 사용하고자 하는 네트워크를 학습하는 기법인 지식증류(Knowledge Distillation) 기술을 활용하여 모델 전송 횟수를 최소화하면서 모델 성능을 유지하고 개선하는 방법을 개발했다. 이 방법은 기관에서 생성한 이미지와 모델을 활용하여 중앙 서버에서 모델을 학습하는 것인데, 생성된 이미지와 지식 증류를 통해 모델을 학습하는 과정을 개선했다.

연구팀은 해당 기술을 활용하여 현미경, 현미경영상, 피부경영상, OCT, 병리영상, X-ray영상, 안저영상에 대한 분류과업을 수행했다. 그 결과 기존 연합학습 기법과 비교했을 때 우수한 분류 성능을 나타내는 것을 확인했다.

DGIST 로봇및기계전자공학과 박상현 교수는 “이번 연구를 통해 데이터 및 개인정보를 공유하지 않고 학습에 참여한 모든 기관에서 범용적으로 작동하는 모델을 학습할 수 있다”며, “해당 기술이 여러 의료현장에서 대규모 인공지능 모델을 개발하는 비용을 획기적으로 줄일 수 있을 것으로 기대한다”고 말했다.

특히 본 연구는 미국의 스탠퍼드 대학교(Stanford University) 연구진과 공동 수행한 연구로 박상현 교수 연구팀은 사실적인 뇌 MRI를 생성하는 연구도 함께 수행했다.

이 연구를 통해 2D 뇌 MRI 슬라이드를 조건부로 입력받아 3D뇌 MRI를 생성하는 조건 확산 모델을 개발했다. 기존 뇌 MRI 생성모델과 비교해 적은 메모리만으로도 양질의 영상을 생성할 수 있어 의료 분야에 중요한 역할을 할 수 있을 것으로 기대된다.

한편, 이번 연구는 영상분석 관련 분야 글로벌 최상위 저널인 MICCAI(Medical Image Computing and Computer Assisted Intervention)에 '이미지 합성 및 클라이언트 모델 적응과 함께 지식 증류를 사용한 의료 데이터에 대한 원샷 연합 학습(One-shot Federated Learning on Medical Data using Knowledge Distillation with Image Synthesis and Client Model Adaptation-다운)'란 제목으로 지난 1일 게재됐으며, 사용된 코드는 깃허브(다운)를 통해 공개됐다.