방사선 보고서는 환자의 진단과 치료에 필수적인 정보를 담고 있지만, 대부분 자유 형식의 텍스트로 작성되어 있어 검색이나 분석에 어려움이 많습니다. 이러한 비정형 데이터를 표준화된 형식(예: JSON)으로 자동 추출하는 인공지능(AI) 모델을 개발하는 것은 의료 분야의 오랜 숙제였습니다. 그러나 AI 모델 학습에 필요한 양질의 레이블(label) 데이터는 병원마다 보유량이 크게 다르고, 민감한 환자 정보가 포함되어 있어 병원 간 데이터를 직접 공유하기 어렵다는 문제가 있었습니다.
최근 발표된 FedPref 기술은 이러한 난관을 극복하기 위해 연합 학습(federated learning)과 선호 학습(preference learning)을 결합한 새로운 접근 방식을 제시합니다. FedPref는 공개된 대규모 언어모델(LLM)이 방사선 보고서에서 여러 JSON 추출 후보를 제안하면, 각 병원이 자체적으로 이 후보들의 순위를 매겨 선호 데이터를 생성합니다. 이후 병원들은 Qwen3-8B 어댑터(adapter)라는 경량 모델을 협력적으로 훈련하되, 실제 보고서나 레이블 데이터는 공유하지 않고 오직 모델 업데이트 정보만 주고받습니다. 이 방식은 데이터 프라이버시를 철저히 보호하면서도 여러 병원의 지식을 통합하여 AI 모델의 성능을 향상시킬 수 있습니다.
시뮬레이션된 6개 병원의 개발 데이터로 실험한 결과, FedPref는 각 병원이 개별적으로 학습했을 때보다 평균 F1 점수를 2.49점, 특히 데이터가 가장 적은 병원의 F1 점수를 9.10점 향상시키는 놀라운 결과를 보였습니다. 이는 데이터 불균형 문제를 해결하고 소규모 의료기관의 AI 도입 장벽을 낮출 수 있음을 시사합니다. 비록 모든 데이터를 한곳에 모아 중앙에서 학습했을 때보다는 F1 점수가 약간 낮았지만(FedPref 68.68점 vs 중앙 학습 71.67점), 데이터 공유 없이도 상당한 수준의 성능을 달성했다는 점에서 큰 의미가 있습니다. FedPref는 의료 분야에서 민감한 데이터를 안전하게 활용하여 AI 모델을 고도화할 수 있는 실질적인 방법을 제시하며, 향후 다양한 의료 정보 추출 및 분석 시스템에 적용될 잠재력을 가지고 있습니다.