Federated Deep Learning for Privacy-Preserving Cardiovascular Disease Risk Prediction

기술 요약: 개인정보 보호형 심혈관 질환 위험 예측을 위한 연합 딥러닝

문제 제기
심혈관 질환(CVD) 위험 예측 모델은 전통적으로 단일 기관의 데이터를 통합하거나 중앙 집중식으로 수집된 데이터셋에 의존합니다. 그러나 이러한 모델을 여러 기관으로 확장하는 것은 개인별 환자 데이터 공유를 제한하는 개인정보 보호 규정(예: GDPR)에 의해 저해됩니다. 연합 학습(Federated Learning, FL)은 데이터 전송 없이 협력적 모델 학습을 가능하게 함으로써 해결책을 제시하지만, 의료 분야에서의 적용은 데이터셋 간의 이질성이라는 과제에 직면해 있습니다. 이러한 차이점에는 코호트 크기, 인구 통계적 특성, 결과 정의(예: 자기 보고식 vs. 임상 검증 방식), 추적 관찰의 완전성 등이 포함됩니다. 기존 연구들은 단일 코호트를 가상으로 분할(pseudo-splits)하여 연합 학습 인프라를 검증하는 데 집중해 왔으며, 이는 진정으로 이질적인 인구 집단 간의 실제 다기관 연합 학습이 제공하는 예측적 이점에 대한 이해의 공백을 남겼습니다.

방법론
본 연구는 두 개의 서로 다른 인구 기반 코호트인 Lifelines(N=148,230)와 Rotterdam Study(N=10,155)를 대상으로 심혈관 질환 위험 예측을 위한 딥 서바이벌 신경망(DeepSurv)을 훈련하기 위해 수평적 연합 학습 프레임워크를 구현합니다.

• 데이터 조화(Data Harmonization): 사이트 간 일관된 입력을 보장하기 위해, 원시 코호트 데이터를 HL7 FHIR 준수 형식으로 변환하는 3단계 파이프라인을 구축했습니다. 이 과정은 CSV 데이터를 환자 중심의 공통 데이터 형식(CDF)으로 변환하고, 사이트별 매핑 규칙을 적용하여 FHIR 리소스를 생성한 후, 이를 학습 알고리즘을 위한 테이블 구조로 평탄화하는 과정을 포함합니다. 사이트 간에 원시 데이터는 전혀 전송되지 않았습니다.
• 예측 변수 및 결과: 모델은 확립된 CVD 위험 도구에 기반하여 선택된 12개의 예측 변수(예: 연령, 성별, 혈압, 지질, 흡연 상태, 당뇨병, 고혈압)를 활용했습니다. 결과 변수는 10년 추적 관찰 기간 동안의 복합 심혈관 종점(뇌졸중, 심근경색 또는 심부전)입니다. 특히, Lifelines의 결과는 구간 기반의 이벤트 시점을 가진 자기 보고식이었던 반면, Rotterdam Study의 결과는 임상 기록과 디지털로 연결되어 정확한 이벤트 날짜를 가졌습니다.
• 연합 설정: 시스템은 클라이언트-서버 아키텍처를 갖춘 Vantage6 플랫폼을 사용했습니다. 두 개의 클라이언트 노드(Lifelines 및 Rotterdam Study)는 로컬의 FH로 조화된 데이터셋을 보유합니다. 중앙 애그리게이터(aggregator) 노드는 **연합 평균화(Federated Averaging, FedAvg)**를 수행합니다.
  • 모델 아키케이션: 12개의 뉴런을 가진 입력층, 16개의 뉴올을 가진 두 개의 은닉층, 그리고 선형 출력층으로 구성된 피드 포워드 신경망인 DeepSurv를 사용했습니다. 이는 Cox 비례 위험 모델의 선형 예측자를 비선형 관계를 포착할 수 있는 신경망으로 대체한 것입니다.
  • 학습 프로토콜: Adam 옵티마이저를 사용하여 라운드당 100 에포크(epoch) 동안 로컬 모델을 훈련했습니다. 이 과정은 20회의 집합(aggregation) 반복을 거쳤습니다. 모델 가중치는 각 노드의 훈련 샘м플 수($n_k$)에 따라 집합되었습니다.
  • 평가: 성능은 10회의 독립적인 실행과 층화 재표본 추출(stratified resampling)을 통해 C-통계량(concordance statistic)을 사용하여 평가되었습니다. 신뢰 구간은 교정된 재표본 t-검정을 사용하여 계산되었습니다.

주요 결과
본 연구는 로컬 모델(연합 없이 각 코호트에서 독립적으로 훈련된 모델)과 연합 모델(FedAvg를 통해 훈련된 모델)의 성능을 비교했습니다.

• Rotterdam Study: 로컬 모델의 C-통계량은 0.728(95% CI: 0.717–0.739)에서 연합 모델을 통해 0.739(95% CI: 0.728–0.749)로 향상되었습니다. 학습 궤적은 초기에 급격히 상승하여 약 12회 반복에서 정점에 도달한 후 약간 감소했으나, 로컬 기준선보다는 높은 수준을 유지했습니다.
• Lifelines: C-통계량은 0.783(95% CI: 0.775–0.791)에서 0.787(95% CI: 0.780–0.792)로 향상되었습니다. 향상은 더 점진적이었으며, Rotterdam Study에서 관찰된 하락 없이 20회 반복 내내 지속되었습니다.
• 이질성 처리: 코호트 크기의 상당한 차이(Lifelines가 약 14배 더 큼), 결과의 정밀도(자기 보고식 vs. 임상 데이터), 인구 통계적 특성에도 불구하고, 연합 접근 방식은 두 코호트 모두에서 변별력을 성공적으로 개선했습니다. 더 작은 규모인 Rotterdam Study에서 더 큰 개선이 나타난 것은 이 코호트가 더 큰 Lifelines 코호트로부터 제공된 정보로부터 상당한 혜택을 받았음을 시사합니다.

의의 및 주장
본 논문은 연합 딥러닝이 개인 수준의 데이터 프라이버시를 엄격히 준수하면서도 이질적인 코호트 전반에서 심혈관 질환 위험 예측을 효과적으로 개선할 수 있다고 주장합니다. 주요 기여는 다음과 같습니다:

1. 실제 환경 검증: 가상 분할을 이용한 인프라 개념 증명을 넘어, 서로 다른 특성과 결과 정의를 가진 두 개의 독립적인 실제 코호트를 통해 연합 학습의 타당성을 입증했습니다.
2. 불완전한 데이터의 가치: 대규모 코호트의 덜 정밀한 자기 보고식 결과(Lifelines)가 연합 설정에서 사용될 때, 정밀한 임상 데이터를 가진 소규모 코호트(Rotterdam Study)의 위험 예측을 개선하는 데 여전히 가치 있는 정보를 제공할 수 있음을 시사합니다.
3. 프라이버시 준수: 본 프레임워크는 집합된 모델 가중치만을 공유하고 개인 수준의 데이터가 로컬 환경을 벗어나지 않도록 보장함으로써 기존의 기관 프라이버시 계약(GDPR 준수) 내에서 성공적으로 작동했습니다.
4. 수렴 역학: 저자들은 실제 이질적인 환경에서의 수렴 동작이 가상 분할 시나리오와 다르다는 점에 주목했습니다. 즉, 더 큰 코호트가 집합된 모델에 지배적인 영향을 미치며, 이는 후기 반복 단계에서 더 작은 코호트의 성능 궤적에 영향을 미칠 수 있습니다.

저자들은 몇 가지 한계점(두 개의 노드 설정 및 경쟁 위험 처리 등)이 존재하지만, 본 연구의 결과는 개인정보를 침해하지 않으면서 대규모 다기관 협력적 심혈관 질환 위험 예측을 수행할 수 있는 잠재력을 뒷받격한다고 결론지었습니다.