Federated Survival Analysis in Healthcare: A Multi-Model Evaluation on Cross-Institutional Heterogeneous Breast Cancer Data

기술 요약: 의료 분야의 연합 생존 분석 (Federated Survival Analysis)

문제 정의
생존 분석은 종양학, 특히 유방암 분야에서 사건 발생 시간(예: 사망, 재발)을 추정하여 예후와 치료를 결정하는 데 있어 매우 중요합니다. 그러나 견고한 모델을 개발하려면 대규모의 다양한 코호트가 필요하지만, 의료 데이터의 분산된 특성으로 인해 단일 기관에서 이러한 데이터를 확보하기는 어렵습니다. 또한, 개인정보 보호 규정(예: GDPR, HIPAA)은 환자 기록의 중앙 집중화를 방서합니다. 연합 학습(Federated Learning, FL)은 원시 데이터를 교환하지 않고 공유 모델을 학습시키는 프라이버시 보존 대안을 제공하지만, 현실적이고 이질적인 조건 하에서의 생존 모델링에 대한 효과는 아직 충분히 이해되지 않았습니다. 기존 문헌은 종종 단일 모델 계열에 집중하거나 새로운 알고리즘을 고립된 상태에서 평가하는 데 그치며, 서로 다른 모델 아키텍처 및 학습 패러다임 간의 체계적인 비교가 부족합니다. 또한, 특정 데이터 특성, 프라이버시 제약, 자원 제한에 따라 모델과 학습 전략을 선택하기 위한 실질적이고 의사결정 지향적인 가이드라인이 부족한 실정입니다.

방법론
본 연구는 FLamby 벤치마크 제품군의 Fed-TCGA-BRCA 데이터셋을 사용하여 연합 생존 분석에 대한 체계적이고 다중 모델적인 평가를 제시합니다. 이 데이터셋은 6개 기관에 걸친 1,088명의 유방암 환자의 임상, 병리 및 분자 프로필로 구성되어 있으며, 샘플 크기, 사건 발생률, 추적 관찰 시간 측면에서 자연적인 기관 간 이질성을 나타냅니다.

본 평가는 세 가지 대표적인 생존 모델을 비교합니다:

1. Cox 비례 위험 모델 (CoxPH): 준모수적(semi-parametric) 통계적 베이스라인.
2. DeepSurv: 신경망을 사용하여 비선형 공변량 효과를 모델링하는 CoxPH의 딥러닝 확장판.
3. 랜덤 생존 포레스트 (RSF): 모수적 가정 없이 비선형 관계를 포착하는 트리 앙상블 방법.

이 모델들은 세 가지 패러다임 하에서 학습되었습니다:

• 중앙 집중식 (Centralized): 모든 데이터를 통합 (최선의 경우를 나타내는 참조 모델).
• 로컬 (Local): 각 클라이언트의 데이터에 대해 독립적으로 학습 (하한선을 나타내는 베이스라인).
• 연합 (Federated): 데이터 공유 없이 중앙 서버를 통한 협력적 학습.

경사 하강법 기반 모델(CoxPH 및 DeepSurv)의 경우, 세 가지 연합 최적화 전략을 평가했습니다: FedAvg (표준 평균화), FedProx (로컬 드리프트를 제한하기 위해 근사 항 추가), FedAdam (적응형 서버 측 최적화). RSF는 경사 업데이트 대신 트리 집계 방식(FedSurF++)을 활용했습니다.

실험은 데이터 이질성의 수준을 시뮬레이션하기 위해 다양한 클라이언트 구성(3, 4, 5개 클라이언트)으로 수행되었습니다. 성능은 변별력 지표(Concordance Index/C-Index, Time-Dependent AUC)와 교정(calibration) 지표(Integrated Brier Score/IBS)를 사용하여 평가되었습니다.

주요 기여

1. 통합적 경험적 비교: 본 논문은 자연스러운 이질적 분포를 가진 실제 다기관 유방암 코호트에서 CoxPH, DeepSurv, RSF를 로컬, 연합, 중앙 집중식 학습을 통해 직접 비교합니다.
2. 이질성 분석: 참여하는 클라이언트의 수와 구성이 변별력과 교정 모두에 어떻게 영향을 미치는지 분석하며, 성능이 단순히 클라이언트의 수보다는 데이터 분포의 다양성에 더 의존함을 밝힙니다.
3. 최적화 전략 평가: 이질적인 조건 하에서 경사 기반 생존 모델에 대한 FedAvg, FedProx, FedAdam의 견고성을 평가합니다.
4. 의사결정 지향적 가이드라인: 특정 제약 조건(데이터 이질성, 프라이버시, 해석 가능성, 계산 자원)을 권장되는 모델 및 학습 패러다임 선택과 매핑하는 실질적인 가이드라인을 도출합니다.

결과

• 연합 vs 로컬/중앙 집중식: 연합 학습은 일관되게 로컬 학습보다 우수한 성능을 보였으며, 중앙 집중식 성능에 근접하거나 때로는 이를 상회했습니다. 특히, 5개 클라이언트 구성에서 연합 환경의 DeepSurv는 중앙 집중식 학습(C-Index: 0.707)보다 높은 변별력(C-Index: 0.727)을 달-성했는데, 이는 이질적인 업데이트의 집계가 정규화 역할을 할 수 있음을 시사합니다.
• 모델 성능:
  • RSF는 이질적인 클라이언트 전반에서 변별력, 교정 및 견고성의 가장 우수한 균형을 보여주었습니다. RSF는 일관되게 가장 낮은 IBS(최상의 교정 성능)와 안정적인 성능을 달성했습니다.
  • DeepSurv는 강력한 예측 능력을 보여주었으며, 연합 환경에서 중앙 집중식 성능과 일치하거나 이를 능가하는 경우가 많았으나, RSF보다 약간 높은 변동성을 보였습니다.
  • CoxPH는 동질적인 환경에서는 잘 작동했으나, 이질적인 환경에서는 낮은 변별력과 높은 변동성을 보였습니다. 이는 아마도 비례 위험 가정과 글로벌 위험 집합(global risk sets)에 대한 의존성 때문인 것으로 보입니다.
• 최적화 전략: CoxPH와 DeepSurv 모두에서 FedAvg와 FedProx가 FedAdam보다 더 강력하고 안정적인 것으로 증명되었습니다. FedAdam은 일관되게 낮은 변별력과 높은 IBS 값을 나타냈습니다. FedProx는 매우 이질적인 시나리오(예: DeepSurv의 3개 클라이언트 구성)에서 FedAvg보다 미미한 이점을 제공했습니다.
• 클라이언트 구성의 영향: 클라이언트 수를 줄이는 것이 성능을 단조 감소시키지는 않았으며, 오히려 제외된 클라이언트의 특정 데이터 분포가 중요했습니다. 교정(IBS)은 관찰된 생존 시간과 사건 패턴의 다양성에 특히 민적이었으며, 특정 클라이언트 분포가 제외될 때 성능이 저하되었습니다.

의의 및 주장
본 논문은 연합 생존 분석이 의료 분야에서 실행 가능하고 효과적인 접근 방식이며, 데이터 중앙화 없이도 중앙 집중식 성능을 모방하거나 능가할 수 있는 프라이버시 보존 대안임을 주장합니다. 본 연구는 RSF가 이질적이고 실제적인 연합 환경에서 변별력과 교정 사이의 최상의 트레이드오프를 제공하는 가장 견고한 선택지임을 강조합니다. 반대로, CoxPH는 해석 가능성을 우선시하거나 데이터가 동질적인 시나리오에서 선호됩니다.

저자들은 모델 및 학습 전략의 선택이 다음과 같은 특정 제약 조건에 의해 주도되어야 한다고 강조합니다:

• 이질적인 클라이언트 또는 교정이 중요한 애플리케이션의 경우, 연합 학습을 적용한 RSF를 권장합니다.
• 해석 가능성에 초점을 맞춘 연구의 경우, 이질적인 환경에서 예측 성능이 낮더라도 CoxPH가 선호됩니다.
• 데이터가 희소하거나 불균형한 경우, RSF 또는 DeepSurv를 사용한 연합 학습이 로컬 학습보다 성능을 크게 향상시킵립다.
• 엄격한 프라이버시 제약이 있는 경우, 연합 방식은 중앙 집중식 성능에 근접하는 실용적인 솔루션임이 입증되었습니다.

본 연구는 연합 학습이 효과적이긴 하지만, 그 성공 여부는 단순히 참가자의 수가 아니라 클라이언트 분포의 다양성에 의해 좌우되며, 이 특정 맥락에서는 FedAdam과 같은 더 복잡한 적응형 방법보다 FedAvg와 같은 단순한 집계 전략이 종종 충분하다는 결론을 내립니다.