부분 관측 다중 모드 헬스케어 예측을 위한 차등 프라이빗 연합 학습
다중 모드 헬스케어 예측은 정형화된 전자의무기록, 의료 영상, 그리고 관련 메타데이터를 통합하여 정확도를 높일 수 있습니다. 그러나 이러한 모달리티들은 환자별로 불완전하게 관측되거나 임상 현장마다 불균등하게 분포하는 문제가 있습니다. 연합 학습은 환자 기록을 중앙 집중화하지 않고도 협력적인 모델 훈련을 가능하게 하지만, 클라이언트별 모달리티 가용성, 업데이트 신뢰성, 데이터 분포의 이질성으로 인해 프라이버시를 보존하는 최적화는 여전히 어렵습니다. 본 연구는 부분적으로 관측된 다중 모드 헬스케어 예측을 위한 모달리티 인지 차등 프라이빗 연합 학습 프레임워크인 MoPA-FL을 개발했습니다. 이 프레임워크는 모달리티별 인코더, 게이티드 결측 모달리티 융합, 브랜치별 차등 프라이빗 업데이트 교란, 그리고 모달리티 지원 및 업데이트 신뢰도에 기반한 서버 측 파라미터 그룹 집계를 통합합니다. MoPA-FL은 COVID Data for Shared Learning 데이터셋을 활용한 통제된 연합 시뮬레이션을 통해 평가되었습니다. 비동질적(non-IID) 연합 설정에서 MoPA-FL은 0.872의 AUROC와 0.683의 AUPRC를 달성했으며, 기존 연합 학습 및 프라이버시 보존 기준선보다 우수한 성능을 보였습니다. 특히, 설정된 프라이버시 예산 ε=2에서 MoPA-FL은 0.847의 AUROC를 달성하여 차등 프라이빗 연합 평균 방식의 0.801보다 높은 성능을 보였습니다. 이러한 결과는 다중 모드 헬스케어 연합 학습에서 프라이버시, 모달리티 불완전성, 클라이언트 이질성을 통합적으로 해결해야 함을 시사합니다. MoPA-FL은 실제 의료 환경에서 데이터 프라이버시를 보호하면서도 불완전한 다중 모드 데이터를 효과적으로 활용하는 데 기여할 수 있습니다.