【브레이크뉴스 대구】이성현 기자=DGIST(총장 이건우) 로봇및기계전자공학과 박상현 교수 연구팀이 미국 스탠퍼드대학교 연구진과 공동으로 개인정보를 공유하지 않고도 대규모 인공지능 모델을 효율적으로 학습할 수 있는 새로운 원샷 연합학습 기법을 개발했다. 

▲ DGIST(박상현, 김수필), Stanford University(Kilian Pohl, Ehsan Adeli), 고려대학교(진경환) 공동연구팀  © DGIST

이번 성과는 의료영상 분석 분야에서 개인정보 보호와 학습 효율성, 성능을 동시에 확보할 수 있음을 보여 큰 의미를 갖는다.

의료영상 데이터는 환자의 민감한 개인정보를 포함하고 있어 병원 간 공유에 제약이 많다. 이에 따라 대규모 데이터 기반의 인공지능 모델 개발에는 한계가 있었다. 이를 해결하기 위해 제안된 연합학습(Federated Learning)은 환자 데이터 대신 학습된 모델만을 공유해 공동 학습을 수행하지만, 반복적인 전송으로 시간·비용이 많이 드는 문제가 있었다. 원샷 연합학습이 대안으로 연구됐으나 기존 방식은 계산 비용이 크고 오버피팅(Overfitting) 위험이 컸다.

박상현 교수팀은 합성 이미지에 구조적 노이즈를 추가하고, 믹스업(Mixup) 기법을 활용해 가상의 중간 샘플을 생성하는 방법을 제안했다. 이를 통해 데이터 다양성을 확보해 오버피팅을 줄이고, 합성 이미지를 재활용해 불필요한 연산을 최소화함으로써 계산 효율성을 크게 개선했다.

연구팀은 방사선영상, 병리영상, 피부경영상, 안저영상 등 다양한 의료영상 데이터셋에 해당 기법을 적용한 결과, 기존 원샷 연합학습 방식보다 적은 계산량으로 더 높은 정확도를 확보했다.

박상현 교수는 “개인정보 보호와 통신 제약이라는 현실적 조건 속에서도 의료영상 분야에서 범용적으로 활용 가능한 AI 모델을 학습할 수 있다는 점에서 의미가 크다”며 “앞으로도 이 기법을 발전시켜 다양한 환자군을 아우르는 정확하고 신뢰성 높은 진단 보조 시스템 구축에 기여하겠다”고 말했다.

한편, 이번 연구는 DGIST 일반사업, 한국연구재단 우수신진과제, 과학기술정보통신부 AI 스타펠로우십 지원사업의 일환으로 수행됐으며, 성과는 의료영상 분석 분야 최상위 국제 학술지 Medical Image Analysis 10월호에 게재됐다.

<구글 번역으로 번역한 영문 기사의 전문 입니다. 번역에 오류가 있을 수 있음을 밝힙니다.>

DGIST-Stanford University Develop Privacy-Protecting One-Shot Federated Learning AI Technique

A research team led by Professor Park Sang-hyun of the Department of Robotics and Mechanical and Electronic Engineering at DGIST (President Lee Kun-woo) and researchers at Stanford University have developed a new one-shot federated learning technique that can efficiently train large-scale AI models without sharing personal information.

This achievement holds significant significance in the field of medical image analysis, as it demonstrates the potential for simultaneously securing privacy, learning efficiency, and performance.

Medical image data contains sensitive patient information, making sharing between hospitals highly restricted. Consequently, the development of AI models based on large-scale data has been limited. Federated learning, proposed to address this issue, shares only trained models instead of patient data for collaborative learning. However, repeated transfers are time-consuming and costly. One-shot federated learning has been explored as an alternative, but existing methods suffer from high computational costs and a high risk of overfitting.

Professor Park Sang-hyun's team proposed a method that adds structural noise to synthetic images and generates virtual intermediate samples using a mixup technique. This significantly improved computational efficiency by securing data diversity, reducing overfitting, and reusing synthetic images to minimize unnecessary computation.

The research team applied the technique to various medical image datasets, including radiological images, pathological images, dermatological images, and fundus images, achieving higher accuracy with less computation than the existing one-shot federated learning method.

Professor Park Sang-hyun stated, "This is significant in that it allows us to train an AI model that can be used universally in the medical imaging field, even within realistic constraints such as privacy protection and communication restrictions. We will continue to develop this technique and contribute to the development of accurate and reliable diagnostic assistance systems that encompass diverse patient populations."

Meanwhile, this research was supported by DGIST's general project, the National Research Foundation of Korea's Excellent Young Researcher Project, and the Ministry of Science and ICT's AI Star Fellowship. The results were published in the October issue of Medical Image Analysis, a top international journal in the field of medical image analysis.