병리 영상 분석 시스템의 연합학습 구조 전환에 관한 연구

국문 초록 (Abstract)

최근 인공지능 기술의 발전으로 병리 슬라이드 영상 분석은 임상 진단의 보조 수단으로 활발히 활용되고 있다. 그러나 환자 데이터의 민감성과 기관 간 데이터 이동의 제약으로 인해, 중앙집중형 학습 구조에서는 실 제 의료 환경에 적용하기 어려운 한계가 존재한다. 이에 본 연구에서는 현재 Flask 기반으로 구축되어 mitosis, TSR, LNMP, PD_WMD 분석 기능을 수행하는 병리 영상 분석 시스템을 연합학습 구조로 전환하기 위 한 기술적 접근을 수행하였다. 우선 비교적 단순한 PD_WMD 이진 분류 모듈을 대상으로 CLAM 모델 을 적용하고, FedAvg 및 FedProx 알고리즘을 이용하여 병리 영상의 비 동질(non-IID) 데이터 분포 환경에서의 학습 성능을 정량적으로 비교하 였다. 각 클라이언트는 3, 4, 5개 구성으로 분리하여 실험을 수행하였으 며, FedProx의 안정적 수렴을 위해 μ 하이퍼파라미터(0.001–0.01 구간)를 단계적으로 조정하여 최적값을 탐색하였다. 실험 결과 FedProx는 FedAvg 대비 평균 정확도 및 F1-score에서 최대 2%P 향상되었으며, μ ≈0.003 구간에서 가장 우수한 수렴 안정성과 일반화 성능을 보였다. 또 한 모델 경량화 및 통신 효율 향상을 위해 양자화 기술을 병행 적용하여 실제 Flask 기반 시스템상에서도 연합학습 구조의 구현 가능성을 검증하 였다. 본 연구는 병리 영상 분석 시스템의 구조를 중앙집중형에서 연합학습 기 반으로 전환함으로써, 데이터 프라이버시를 보호하면서도 다기관 협업형 학습 환경을 구축할 수 있음을 실험적으로 입증하였다. 향후 본 연구의 결과는 기관 간 협업형 병리 영상 AI 모델 개발에 활용할 수 있는 기초 자료로서 의의가 있다.

다국어 초록 (Multilingual Abstract)

Recent advances in digital pathology have increased the demand for learning frameworks that can utilize multi-institutional data without exposing sensitive patient information. To address this need, this study restructures an existing pathology analysis system into a federated learning (FL) framework capable of training PD/WMD classification models without transferring raw whole-slide images. A CLAM-based MIL model was adopted as the core classifier, and its behavior under FedAvg and FedProx was examined in multiple Non-IID client scenarios.. To alleviate communication overhead arising from repeated parameter exchanges during FL rounds, an 8-bit quantization scheme was introduced. Although the model size was substantially reduced, the performance degradation remained within 1–3%, demonstrating the practical feasibility of applying lightweight models in FL settings.. Across several client configurations, FedProx showed more stable convergence than FedAvg, particularly when data distributions differed across clients. These findings indicate that a federated pathology analysis system can maintain competitive performance while preserving data privacy and operational efficiency. Overall, this work provides foundational evidence that FL can be integrated into real-world pathology workflows to support collaborative model development across institutions.

목차 (Table of Contents)

• 표 목차 ⅲ
• 그림 목차ⅳ
• 국문초록 ⅴ
• 영문초록 ⅶ
• Ⅰ. 서론 1
• Ⅱ. 연구 목적 4
• Ⅲ. 연구재료 및 방법 6
• 1. 시스템 개요 6
• 2. 데이터셋과 사용 범위 8
• 3. 전처리와 조직 마스크 9
• 4. 패치 분할과 임베딩 추출 9
• 5. 공통 파이프라인 구성 10
• 6. 모듈별 분석 절차 10
• 7. 중앙집중형 기준선 학습·평가· 13
• 8. 데이터 분할 전략과 Non-IID 구성 13
• 9. FedAvg/FedProx 학습 절차 15
• 10. FedProx μ 설정 및 실험 설계 16
• 11. 모델 가중치 양자화 적용 절차 16
• 12. 평가 지표와 통계 처리 17
• Ⅳ. 연구 결과 18
• 1. 중앙집중형 기준선 성능 18
• 2. 연합학습 기반 PD/WMD 분류 성능 18
• 3. FedProx μ 값에 따른 안정성 분석 20
• 4. 모델 가중치 양자화가 통신 효율에 미치는 영향 21
• Ⅴ. 고찰 24
• 1. 주요 발견의 요약과 의미 24
• 2. FedAvg 대비 FedProx의 안정성 이점 해석 24
• 3. 양자화 도입의 실무적 함의 24
• 4. 한계 25
• 5. 임상 적용을 위한 권고 사항 25
• Ⅵ. 결론 및 향후 연구 26
• 1. 연구 요약 26
• 2. 연구의 학술적·실무적 기여 26
• 3. 연구의 한계 27
• 4. 향후 연구 방향 27
• 5. 결론 28
• 참고문헌 29