태아 초음파 검사에서 뇌량(corpus callosum, CC)의 위치를 정확히 파악하는 것은 태아의 신경 발달 이상을 조기에 진단하는 데 매우 중요합니다. 하지만 초음파 영상의 고유한 한계, 즉 낮은 명암비, 잡음(speckle noise), 그리고 뇌량의 상당한 해부학적 다양성 때문에 이 작업은 항상 큰 어려움으로 남아있었습니다. 이러한 문제를 해결하기 위해 최근 한 연구팀이 'FedCC'라는 연합 학습(Federated Learning, FL) 기반 프레임워크를 제안했습니다.
FedCC는 여러 병원 환경에서 데이터 공유 없이도 태아 초음파 이미지에서 뇌량의 위치를 정확하게 찾아내도록 설계되었습니다. 이 프레임워크는 강력한 기반 모델(foundation model)인 DINOv2 백본을 고정(frozen)하고, 경량의 YOLO 기반 탐지 헤드(detection head)를 결합합니다. 특히, 효율적인 파라미터 적응을 위해 저랭크 적응(Low-Rank Adaptation, LoRA) 모듈을 통합하여, 전체 파라미터 중 극히 일부만 최적화하고 클라이언트(각 병원) 간에 교환하도록 했습니다. 이 전략은 계산 및 통신 오버헤드를 크게 줄여, 자원 제약이 있는 환경에서도 프레임워크를 효과적으로 사용할 수 있게 합니다. 연구팀은 세 곳의 임상 현장에서 58명의 임산부로부터 얻은 10,970개의 초음파 프레임으로 구성된 다기관 데이터셋에서 FedCC를 평가했으며, FedAvg 전략 하에 DINOv2와 LoRA의 조합이 평균 mAP@50 0.857, F1-score 0.803이라는 우수한 성능을 달성했습니다.
이러한 결과는 전체 모델을 미세조정(full fine-tuning)하거나 인코더를 고정하는 기존 방식보다 뛰어났습니다. 특히, FedCC는 전체 미세조정 방식 대비 학습 가능한 파라미터 수를 약 8.5배(24.4M에서 2.9M로) 줄여 통신 비용을 대폭 절감했습니다. 이는 대규모 데이터 공유 없이도 여러 의료기관이 협력하여 AI 모델을 고도화할 수 있음을 보여주며, 개인 정보 보호를 강화하면서도 확장 가능하고 임상적으로 적용 가능한 AI 시스템을 구축하는 데 중요한 진전을 의미합니다. 앞으로 태아 신경 초음파 진단 분야에서 AI의 활용 가능성을 크게 높일 것으로 기대됩니다.