블록체인 기반 분산 의료 진단 보안 강화
폐암은 치사율이 높은 암으로, 조기 진단이 효과적인 치료의 핵심입니다. 딥러닝(DL) 기술은 의료진의 진단 부담을 줄일 수 있지만, 기존 모델들은 정확도와 확장성 문제로 질병 탐지 성능이 저하되는 한계가 있었습니다. 이러한 문제 해결을 위해 병원 간의 협력을 통해 더 나은 질병 탐지 성능을 제공하는 연합 학습(FL) 기반의 전역 데이터 학습 질병 탐지(GDTDD) 모델이 제안되었습니다. 본 연구에서는 먼저 각 병원의 폐 CT 이미지 데이터를 중앙값 필터링으로 전처리한 후, MCAU-Net(multi-Convolutional layer-assisted U-Net) 모델을 활용하여 분할했습니다. 분할된 이미지에서 Multi-texton, MBP(Median Binary Pattern), LGTrP(Improved Local Gabor Transitional Pattern) 등의 특징을 추출하고, MS-CAM(multi-scale channel attention module) 기반의 특징 융합 기법을 사용하여 이들을 결합했습니다. 이후, 융합된 특징을 활용하여 하이브리드 RNN 및 MAA-Bi-LSTM(Modified Attention layer Assisted Bidirectional Long Short-Term Memory) 모델을 학습시켜 로컬 모델을 생성했습니다. 이렇게 생성된 로컬 모델들은 연합 학습 프레임워크로 전송되어 병합 및 집계 과정을 거쳐 전역 학습 모델로 통합됩니다. 이 전역 모델은 보안과 프라이버시를 보장하기 위해 블록체인에 저장됩니다. 최종적으로, 블록체인에 저장된 전역 모델은 융합된 특징으로 재학습되어 정확하고 효과적인 질병 탐지 성능을 제공합니다. 실험 결과, 제안된 MAA-Bi-LSTM+RNN 모델은 질병 탐지에서 높은 효과를 보였습니다. 특히, 제안 모델의 정밀도(Precision)는 95.48%, F-측정(F-measure) 값은 96.30%로 나타나, 기존 모델 대비 우수한 성능을 입증했습니다. 이는 분산된 의료 환경에서 안전하고 효율적인 진단 시스템 구축 가능성을 시사합니다.