최근 의료 인공지능 분야에서는 개인정보 보호 문제로 인해 여러 병원의 의료데이터를 한곳에 모아 학습하기 어려운 한계를 해결하기 위해 연합학습(Federated Learning)이 주목받고 있다. 그러나 실제 의료기관마다 X-ray, CT, MRI 등 보유하고 있는 의료영상 종류와 데이터 분포가 달라 기관 간 지식을 효과적으로 공유하기 어렵다는 문제가 있다.
연구팀이 제안한 ‘SynTeX-FL’은 의료영상 자체를 공유하는 대신, 각 의료영상에서 얻은 정보를 텍스트 형태로 변환해 서로 다른 영상 종류 간에도 지식을 전달할 수 있도록 했다. 이를 위해 각 기관이 자체 데이터로 변환 모델을 학습한 뒤 그 결과만 중앙 서버로 모아 통합하는 연합학습 방식과, 변환된 텍스트의 신뢰도를 함께 판별해 반영 비중을 조정하는 품질 인식 가중치 기법, 그리고 영상 종류별 특성에 맞춰 모델의 일부만 가볍게 조정하는 경량 파인튜닝 기술(LoRA)을 결합했다. 예를 들어 X-ray에서 관찰되는 임상적 특징을 CT나 MRI 환경에 맞는 표현으로 변환해 학습에 활용함으로써, 실제 환자의 원본 데이터를 다른 기관에 전달하지 않고도 의료 인공지능이 다양한 영상 정보를 학습할 수 있도록 했다.
특히 단순한 문장 변환이 아니라, 원본 영상에서 확인할 수 있는 임상적 의미를 유지하면서 각 의료영상의 특성에 맞게 정보를 변환하도록 설계한 점이 특징이다. 이를 통해 의료기관별로 서로 다른 종류의 데이터를 보유하고 있는 현실적인 환경에서도 효과적인 공동 학습이 가능하도록 했다.
이번 연구는 민감한 환자 데이터를 직접 공유하지 않으면서도 여러 의료기관이 서로 다른 종류의 의료영상의 지식을 활용할 수 있는 새로운 연합학습 방법을 제시했다는 데 의미가 있다. 향후 의료기관 간 협력형 인공지능 개발과 의료데이터 활용 확대에 기여할 것으로 기대된다.
이번 연구에는 전남대학교 인공지능융합학과 시각지능미디어연구실 석사과정 기도현, 김민혁 학생이 공동 1저자로 참여하고, 유석봉 교수가 교신저자로 참여했다. 해당 연구 논문은 인공지능 및 머신러닝 분야의 세계 최고 권위의 국제학술대회인 NeurIPS 2026(Conference on Neural Information Processing Systems) 메인 트랙에 최종 채택되어, 올해 12월 공식적으로 발표될 예정이다.
[저작권자ⓒ 포커스N전남. 무단전재-재배포 금지]
