환자 기록 비식별화를 위한 순환 신경망 기반 자동 시스템

초록

본 논문은 의료 기록에서 보호받는 개인 정보를 자동으로 제거하는 시스템을 제안한다. 인공 신경망, 특히 양방향 LSTM과 문자‑레벨 임베딩을 결합한 모델을 설계하여 기존 규칙 기반·CRF 기반 방법보다 높은 정확도(F1 97.85~99.23)를 달성하였다. 두 개의 공개 데이터셋(i2b2 2014, MIMIC)에서 평가했으며, 특징 설계 없이도 뛰어난 성능을 보여 ANN 기반 접근법의 실용성을 입증한다.

상세 분석

이 연구는 전통적인 규칙 기반 및 CRF 기반 비식별화 시스템이 갖는 한계—대규모 라벨링 비용, 복잡한 특성 엔지니어링, 새로운 데이터셋에 대한 취약성—를 극복하고자 한다. 제안된 모델은 세 단계로 구성된다. 첫 번째 단계인 문자‑강화 토큰 임베딩 레이어는 토큰 자체의 임베딩과 문자 수준 LSTM을 통해 얻은 서브‑토큰 정보를 결합한다. 이는 어휘 외 토큰, 오탈자, 형태소 변형을 효과적으로 처리한다. 두 번째 단계는 양방향 LSTM을 이용해 토큰 시퀀스 전반에 걸친 문맥 정보를 학습하고, 이를 전결합 층에 전달해 각 토큰에 대한 PHI 라벨 확률 벡터를 산출한다. 마지막 단계에서는 전이 행렬 T를 도입한 라벨 시퀀스 최적화 레이어를 통해 연속 라벨 간 의존성을 모델링한다. 이는 전통적인 CRF와 유사한 구조이지만, 전체 파라미터가 신경망과 공동 학습되므로 최적화 효율이 높다. 실험에서는 i2b2 2014 데이터셋에서 F1 97.85, MIMIC 데이터셋에서 F1 99.23을 기록했으며, 특히 MIMIC처럼 규모가 큰 코퍼스에서도 높은 재현율과 정밀도를 유지한다. 결과는 사전 정의된 특징 없이도 ANN이 복잡한 의료 텍스트에서 PHI를 정확히 식별할 수 있음을 증명한다. 또한, 사전 학습된 워드 임베딩과 문자 임베딩을 병합함으로써 도메인 특화 어휘에 대한 일반화 능력이 향상된다. 전체 모델은 토큰화, 임베딩, 양방향 LSTM, 전이 행렬이라는 모듈식 구조를 갖추어, 향후 다른 의료 NLP 과제(예: 임상 개념 추출, 진단 코드 매핑)에도 손쉽게 확장 가능하다.