의료 영상 분석을 위한 분산형 연합 학습

연합 학습(FL)은 분산된 의료 기관들이 데이터 프라이버시를 유지하며 모델 훈련에 협력할 수 있는 유망한 방법으로 주목받고 있습니다. 그러나 기존 연합 학습 방식은 중앙 집중식 집계와 빈번한 가중치 공유에 의존하여, 특히 비독립동일분포(non-IID) 조건에서 분류 및 분할을 포함하는 의료 영상 작업에서 확장성, 견고성, 프라이버시 문제를 야기합니다. 본 논문은 중앙 서버 없이 작동하며, 원시 가중치나 기울기 대신 공유된 공개 참조 데이터셋에서 계산된 온도 스케일링된 소프트 예측만을 전송하는 지식 증류 분산형 연합 학습(KD-DFL)을 제안합니다. 이 방법은 중앙 집계자를 제거하면서도 독립동일분포(IID) 데이터 조건에서 서버 기반 FedAvg와 유사한 성능(정확도 0.90, Dice 0.83, 0.002 이내)을 달성합니다. 비독립동일분포(non-IID) 분할 환경에서는 고립 훈련과 FedAvg 간의 성능 격차를 55~67% 회복합니다. 통신량은 모델 전송 방식 대비 7배 감소하며, 멤버십 추론 공격 정확도는 중앙 집중식의 74.6%에서 무작위 수준인 54.2%로 떨어져 프라이버시가 크게 향상됩니다. 이러한 결과는 예측 공간에서의 합의가 실제 의료 AI 시스템을 위한 분산형, 프라이버시 보존, 다중 작업 연합 학습에서 매개변수 집계를 대체할 실용적인 방법임을 시사합니다.