건축학적 개인 정보 보호 방법

출처: 게티 이미지

2023년 8월 31일 - 데이터 분석은 의료 품질을 향상하고 의료 혁신을 이루는 데 중요하지만 프로세스 전체에서 환자 데이터를 보호하는 것이 최우선 과제여야 합니다.

개인정보 보호 강화 기술(PET)은 의료 기관이 데이터 개인정보 보호 및 보안을 위해 활용할 수 있는 중요한 도구입니다. PET는 알고리즘, 아키텍처, 증강이라는 세 가지 범주로 나눌 수 있습니다. 의료 분석을 지원하려면 이러한 유형의 조합이 권장됩니다.

이 기사는 알고리즘 PET에 대한 심층 분석에 이어 PET의 각 카테고리와 의료 사용 사례를 분석하는 시리즈의 두 번째 기사입니다.

여기서 HealthITAnalytics는 두 번째 유형인 건축용 PET를 살펴보겠습니다.

개인 정보 보호를 위해 데이터 표현 방식을 변경하는 알고리즘 PET와 달리 아키텍처 PET는 데이터 구조 또는 계산 환경과 관련이 있습니다. 이러한 PET는 기본 데이터를 공유하지 않고 비밀리에 정보를 교환하는 데 중점을 둡니다.

연합 학습은 인공 지능(AI) 및 기계 학습(ML) 모델 개발에 자주 사용되는 접근 방식입니다.

IBM은 모델 자체를 뒷받침하는 데이터에 누구도 액세스하지 않고도 이러한 모델을 훈련하는 데 도움이 되는 방법으로 연합 학습을 개념화합니다.

“연합 학습에서는 여러 사람이 원격으로 데이터를 공유하여 단일 딥 러닝 모델을 공동으로 훈련하고 팀 프레젠테이션이나 보고서와 같이 반복적으로 개선합니다. 각 당사자는 일반적으로 사전 훈련된 기초 모델인 클라우드의 데이터 센터에서 모델을 다운로드합니다. 개인 데이터에 대해 교육한 다음 모델의 새 구성을 요약하고 암호화합니다. 모델 업데이트는 클라우드로 다시 전송되어 암호가 해독되고 평균이 계산되어 중앙 집중식 모델에 통합됩니다. 반복 후 반복을 통해 모델이 완전히 훈련될 때까지 협업 훈련이 계속됩니다.”

연구에 따르면 생물 의학 데이터를 위한 대부분의 연합 학습 애플리케이션은 방사선학과 종양학에 초점을 맞추고 있습니다. 일부 사용 사례에는 뇌 영상, 코로나19 진단, 종양 감지, 암 바이오마커 예측, 의료 사물 인터넷(IoHT) 애플리케이션이 포함됩니다. 연구원들은 또한 AI 기반 심사 도구의 공정성을 향상하기 위해 연합 학습 프레임워크를 제안했습니다.

펜실베니아 대학교(Penn)의 페렐만 의과대학(Perelman School of Medicine) 연구원들은 2018년에 실제 의료 영상 데이터에 연합 학습을 처음으로 적용했습니다.

이러한 노력을 설명하는 연구는 2019년에 발표되었으며, 연합 학습을 통해 훈련된 딥 러닝 모델이 뇌종양 이미지를 정확하게 분할하여 기존 데이터 공유 방법을 통해 훈련했을 때 동일한 모델 성능의 99%를 달성할 수 있음을 보여주었습니다.

이 작업은 일반적으로 이미징 분석 연구와 관련된 데이터 수집, 라벨링 및 공유 문제를 해결하기 위해 연합 학습을 활용하는 타당성을 확립하는 데 도움이 되었습니다.

같은 해, Penn의 CBICA(Center for Biomedical Image Computing & Analytics) 연구원은 종양 분할에 초점을 맞춘 연합 학습 프레임워크를 개발하기 위해 3년간 120만 달러의 연방 보조금을 받았습니다.

보조금을 통해 Penn은 이러한 노력을 발전시키기 위해 전 세계 29개 기관의 협력을 주도하게 되었습니다.

연합 학습 기반 의료 애플리케이션의 잠재적 이점에는 데이터 개인정보 보호 강화, 정확성과 유용성의 균형 달성, 저렴한 건강 데이터 교육 지원, 데이터 단편화 감소 등이 있습니다. 또한 이 접근 방식은 비동기식 전송을 가능하게 하여 여러 기관의 협업과 커뮤니케이션을 강화할 수 있습니다.

연합 학습을 사용하면 사용자가 모델을 데이터로 이동할 수 있으며 그 반대도 가능하므로 로컬 모델 교육에서는 각 사용자가 복제하기 위해 저장 집약적인 고차원 의료 데이터가 필요하지 않습니다. 연구원들은 이것이 데이터 스토리지 요구 사항을 늘리지 않고도 증가하는 데이터 세트에 따라 모델을 자연스럽게 확장하는 데 도움이 된다고 말합니다.