개인정보를 지키는 인공지능, 다발성경화증 예측의 새로운 길을 열다

 

의료 인공지능은 높은 예측 정확도만으로는 실제 의료현장에서 활용되기 어렵다. 환자의 개인정보를 안전하게 보호하면서도 다양한 의료기관이 협력해 학습할 수 있는 기술이 함께 갖춰져야 한다. 

이번 연구는 연합학습(Federated Learning)과 차등 개인정보보호(Differential Privacy), 그리고 최신 시계열 딥러닝을 결합해 이러한 과제를 해결하려는 시도를 보여준다. 비록 아직 실제 임상 적용을 위해서는 다기관 검증이 필요하지만, 의료 AI가 앞으로 나아가야 할 방향을 제시했다는 점에서 의미가 큰 연구이다.

연합학습과 시계열 인공지능을 결합한 NeuroFATE-MS는 의료 데이터 공유의 한계를 극복하면서도 높은 예측 정확도를 보여주었다. 다만 실제 임상 적용을 위해서는 다기관 검증이 필요하다.

의료 AI가 넘어서야 할 가장 큰 장벽

인공지능은 의료 분야에서 눈부신 발전을 이어가고 있다. 그러나 병원 데이터를 활용하는 순간 가장 먼저 마주하는 문제는 개인정보 보호이다. 환자의 의료기록은 민감정보이기 때문에 여러 의료기관의 데이터를 한곳에 모아 학습시키는 방식은 현실적으로 쉽지 않다.

특히 다발성경화증(Multiple Sclerosis, MS)처럼 장기간 경과를 관찰해야 하는 질환에서는 더욱 어려움이 크다. 환자마다 진료 간격이 일정하지 않고, 증상이 악화되는 시점도 매우 다양하다. 이러한 불규칙한 시계열 데이터를 정확히 분석하는 것은 기존 인공지능 모델에게도 쉽지 않은 과제였다.

최근 발표된 NeuroFATE-MS 연구는 이러한 문제를 해결하기 위해 개인정보 보호 기술과 최신 인공지능 모델을 하나의 프레임워크로 결합했다.

병원은 데이터를 보내지 않고, 모델만 학습한다

연구진이 선택한 방법은 연합학습(Federated Learning)이다. 연합학습에서는 각 병원이 환자 데이터를 외부로 전송하지 않는다. 대신 각 병원에서 자체적으로 모델을 학습한 뒤, 모델의 가중치만 중앙 서버에 전달한다. 서버는 이를 종합해 더 나은 전역 모델을 만든다.

즉, 환자 데이터는 병원 밖으로 나가지 않으며, 개인정보 유출 위험을 줄이면서도 여러 기관이 함께 AI를 학습할 수 있다. 여기에 연구진은 차등 개인정보보호(Differential Privacy)를 적용하여 모델 업데이트 과정에 노이즈를 추가함으로써 특정 환자의 정보가 역추적되는 위험을 더욱 줄였다.

논문은 이러한 접근이 "원시 데이터를 공유하지 않으면서도 기록 단위의 개인정보 보호를 제공한다."고 설명한다. 

시간의 흐름을 이해하는 두 개의 인공지능

NeuroFATE-MS의 핵심은 시간 정보를 처리하는 방식이다. 연구진은 두 가지 신경망을 동시에 사용했다. 첫 번째는 BiLSTM으로, 가까운 시점의 변화와 연속적인 임상 경과를 잘 학습한다. 두 번째는 Transformer로, 긴 기간에 걸친 패턴과 방문 간 관계를 파악하는 데 강점을 가진다.

이 두 모델의 결과를 Cross-Attention으로 결합하여 각각의 장점을 살렸다. 논문은 "우리는 지역적인 순차 정보와 전역적인 방문 간 의존성을 분리하여 학습하고, Cross-Attention으로 이를 융합하였다."고 설명한다.

실제 데이터로 검증한 결과

연구에는 2018년부터 2025년까지 수집된 517명의 다발성경화증 환자와 총 4,184회의 외래 방문 기록이 사용됐다. 이 가운데 예측이 가능한 3,184개의 시계열 예측 구간을 이용해 모델을 학습하고 평가했다.

그 결과 평균 AUROC는 0.930, 평균 AUPRC는 0.513, 예측 안정성을 나타내는 ECE는 0.014를 기록했다. 특히 기존 중앙집중형 XGBoost보다 AUROC가 약 0.11 높았으며, 단일 LSTM이나 Transformer 모델보다도 우수한 성능을 보였다. 

개인정보 보호와 성능은 함께 갈 수 있을까

많은 연구에서는 개인정보 보호를 강화하면 모델 성능이 감소할 것으로 예상한다. 그러나 이번 연구에서는 적절한 수준의 차등 개인정보보호가 오히려 모델의 일반화 성능과 안정성을 높이는 결과를 보였다.

다만 연구진은 이를 일반적인 현상으로 확대 해석하지 않았다. "이 결과는 본 데이터셋에서 관찰된 현상이며, 일반적인 특성으로 해석해서는 안 된다."고 명시하며 연구 결과의 적용 범위를 신중하게 제한했다.

아직 넘어야 할 과제도 남아 있다

NeuroFATE-MS는 높은 성능을 보였지만 곧바로 병원에서 사용할 수 있는 수준은 아니다. 연구는 단일 의료기관의 데이터를 이용했으며, 연합학습 역시 실제 여러 병원이 참여한 환경이 아니라 가상의 다기관 환경(simulated federation)에서 수행되었다.

연구진 역시 이를 분명히 인정한다. "이번 결과는 방법론적 근거를 제시하는 것이며, 실제 임상 적용 이전에는 다기관 외부 검증이 필요하다."고 밝혔다. 

또한 개인정보 보호 수준 역시 연구 목적의 프로토콜에 적합한 수준이며, 실제 의료환경에서 요구되는 엄격한 보호 수준과는 차이가 있음을 설명했다. 

의료 AI의 다음 단계는 '신뢰'

최근 의료 인공지능은 단순히 높은 정확도만으로 평가받지 않는다. 환자의 개인정보를 얼마나 안전하게 보호하는지, 병원 간 협력이 가능한지, 그리고 예측 결과를 얼마나 신뢰할 수 있는지가 더욱 중요한 요소가 되고 있다.

NeuroFATE-MS는 연합학습, 차등 개인정보보호, 시계열 딥러닝을 하나의 통합 프레임워크로 제시했다는 점에서 의미가 크다. 

비록 실제 임상 도입까지는 다기관 검증과 추가 연구가 필요하지만, 의료 데이터를 공유하지 않고도 협력하는 AI의 가능성을 보여준 사례라는 점에서 앞으로의 발전이 기대된다.

이 글이 우리에게 주는 의의

NeuroFATE-MS는 의료 인공지능의 경쟁력이 단순한 예측 정확도를 넘어 개인정보 보호와 실제 의료 현장 적용 가능성까지 포함해야 함을 보여준다. 

앞으로 의료 AI는 데이터를 한곳에 모으는 방식이 아니라, 데이터를 이동시키지 않고도 함께 학습하는 기술로 발전할 가능성이 크다. 

이러한 변화는 다발성경화증뿐 아니라 암, 치매, 심혈관질환 등 다양한 만성질환의 예후 예측에도 중요한 전환점이 될 수 있다.

출처

Cifci, M. A., & Canatalay, P. J. (2026). NeuroFATE-MS: Privacy-aware federated temporal learning for short-term multiple sclerosis progression prediction. Machine Learning and Knowledge Extraction, 8, 213. https://doi.org/10.3390/make8070213