"내 뇌 사진이 밖으로 나간다고?" 병원 밖 안 나가는 데이터로 병 고치는 마법, 연합학습의 비밀!
혹시 병원에서 MRI를 찍어본 적이 있나? 커다란 기계 속에 들어가 "우우웅" 하는 소리를 들으며 뇌나 장기를 촬영하는 그 장치 말이다. 이 사진들은 의사 선생님이 병을 진단하는 데 아주 중요하지만, 한편으로는 나의 가장 민감한 개인정보이기도 하다. 그래서 병원들은 이 소중한 데이터를 함부로 다른 곳에 보내지 못한다.
그런데 여기에 큰 고민이 하나 있다. 인공지능(AI)이 암이나 치매를 더 정확하게 찾아내려면 아주 많은 사람의 MRI 사진을 공부해야 한다. 하지만 병원마다 데이터를 꽁꽁 싸매고 있으니, AI가 똑똑해질 기회가 부족했다. "데이터는 지키면서 AI는 똑똑하게 만들 순 없을까?" 이 말도 안 될 것 같은 고민을 해결하기 위해 전 세계 과학자들이 머리를 맞댔다. 그리고 드디어 답을 찾아냈다. 이름하여 연합학습(Federated Learning)이다!
데이터는 병원에, 공부는 AI가? '연합학습'이 뭐길래!
인공지능을 공부시키는 기존 방식은 마치 전교생의 일기장을 한곳에 모아 선생님이 읽는 것과 같았다. 당연히 일기 주인이 반대할 수밖에 없다. 하지만 연합학습은 완전히 다르다. 선생님이 일기장을 모으는 대신, 각 학생의 집에 "일기 쓰는 법"이 담긴 작은 로봇을 보낸다.
로봇은 집 안에서만 일기를 읽고 "아, 이런 문장은 이렇게 쓰는구나!"라는 요약 정보(가중치)만 배운 뒤 선생님에게 돌아간다. 선생님은 로봇들이 가져온 요약본만 합쳐서 최고의 글쓰기 비법을 완성한다. 실제 일기장은 단 한 번도 집 밖으로 나가지 않았는데, 선생님은 전교생의 지혜를 모두 모은 셈이다.
MRI 연구에서도 마찬가지다. 병원(노드)에 있는 소중한 환자 사진은 그대로 둔 채, AI 모델만 병원을 오가며 학습한다. 중앙 서버는 각 병원에서 배운 '지식의 조각'들을 모아 하나의 강력한 '천재 의사 AI'를 만들어낸다.
MRI와 AI의 만남, 그런데 생각보다 까다롭다?
이번 연구에서는 지난 5년간 발표된 88개의 중요한 논문을 샅샅이 파헤쳤다. 연구팀은 AI가 MRI를 활용해 뇌종양을 찾아내거나, 치매를 진단하고, 심지어 노이즈가 섞인 사진을 깨끗하게 복원하는 일까지 훌륭하게 해내고 있다는 사실을 확인했다.
하지만 MRI는 다른 사진보다 훨씬 다루기 까다롭다. 병원마다 사용하는 기계 브랜드(지멘스, GE, 필립스 등)가 다르고, 촬영하는 방식이나 자석의 힘(테슬라)도 제각각이기 때문이다. 어떤 병원의 사진은 밝고 선명한데, 다른 병원 사진은 어둡고 흐릿할 수 있다.
이런 차이 때문에 AI가 공부할 때 혼란을 겪기도 한다. 이를 데이터의 불균형(non-IID) 문제라고 부른다. 또한, 병원마다 컴퓨터 성능이 다르면 어떤 병원은 공부를 빨리 마치고, 어떤 병원은 한참 뒤에야 결과를 보내는 '거북이 병원'이 생기기도 한다. 연구자들은 이런 복잡한 문제들을 풀기 위해 지식을 합치는 똑똑한 알고리즘을 계속해서 개발하고 있다.
우리 아이들의 미래를 바꿀 '보안관 AI'의 탄생
연합학습이 완성되면 어떤 미래가 펼쳐질까? 이제 희귀한 병을 앓는 환자들도 걱정할 필요가 없다. 전 세계에 흩어진 소수의 데이터를 연합학습으로 모으면, 그 어떤 뛰어난 의사보다 정확하게 병을 찾아낼 수 있기 때문이다.
무엇보다 가장 큰 장점은 보안이다. 내 뇌 사진이 해킹당하거나 외부로 유출될 걱정 없이, 전 세계 최고의 의료 서비스를 받을 수 있는 길이 열리는 것이다. 연구팀은 앞으로 데이터의 차이를 줄이는 기술(조화 기법)과 더 강력한 보안 기술이 결합한다면, 연합학습이 의료계의 판도를 완전히 바꿀 것이라고 내다봤다.
자, 이제 병원에서 MRI를 찍을 때 불안해할 필요가 없다. 보이지 않는 곳에서 '연합학습'이라는 마법이 당신의 소중한 정보를 지키면서도, 인공지능을 세상에서 가장 똑똑한 의사로 키워내고 있으니 말이다!
출처: Markodimitrakis, E., Trivizakis, E., Ioannidis, G. S., Koutoulakis, E., Tsiknakis, M., Papanikolaou, N., Klontzas, M. E., Yaqub, M., & Marias, K. (2026). Federated learning on magnetic resonance imaging: a critical review. Artificial Intelligence Review. https://doi.org/10.1007/s10462-026-11508-7