환자 기록 비식별화를 위한 특징 강화 신경망

본 논문은 환자 기록의 비식별화(de-identification) 작업에서 가장 중요한 목표인 높은 리콜을 달성하기 위해, 기존의 순수 임베딩 기반 인공신경망(ANN) 모델에 인간이 설계한 특징(feature)과 전자의무기록(EHR) 메타데이터를 통합하는 방법을 제안한다. 서론에서는 의료 데이터가 전자화됨에 따라 연구자들이 풍부한 정보를 활용할 수 있게 되었지만, HIPAA 등 법적 규제로 인해 PHI(Protected Health Information)를 제거해야 하는 필요성을 강조한다. 기존의 규칙 기반 시스템은 정규표현식과 gazetteer에 의존해 높은 정밀도를 보이지만, 개발·배포에 많은 인력과 시간이 소요된다. 반면, 머신러닝 기반 시스템, 특히 2016년 Dernoncourt 등에 의해 제안된 RNN 기반 모델은 문자와 토큰 임베딩만을 사용해 빠르게 구축할 수 있었으나, 인간 전문가가 만든 도메인 지식이나 EHR에서 제공되는 구조화된 정보를 활용하지 못한다는 한계가 있었다. 이에 저자들은 기존 모델의 세 층 구조(문자‑강화 토큰 임베딩, 레이블 예측, 레이블 시퀀스 최적화)를 유지하면서, 토큰마다 이진 형태의 특징 벡터를 추가로 입력한다. 특징은 네 가지 범주로 구분된다. ① EHR 메타데이터: 환자와 담당 의사의 이름(성·이름) 등 직접적인 식별자; ② 형태학적 특징: 대문자 여부, 숫자 포함 여부, 알파벳·숫자 혼합 등; ③ 의미론·WordNet 기반 특징: 하이퍼님, 어근, 동의어 등; ④ 도메인 특화 gazetteer와 정규표현식: 의료 직함, 지명, 주소 구성 요소, 이메일·전화번호·날짜·우편번호 등. 모든 특징은 0/1 값으로 표현되며, 피드포워드 신경망을 통해 저차원 임베딩으로 변환된다. 이 임베딩은 기존 토큰 임베딩(사전 학습된 GloVe)과 문자‑LSTM 출력과 함께 연결되어 최종 토큰 표현을 만든다. 실험은 MIMIC‑III 데이터베이스에서 추출한 1,635개의 퇴원 요약문(총 2,945,228 토큰, 78,633 PHI 토큰)을 사용했다. 데이터는 70% 학습, 10% 검증, 20% 테스트로 분할했으며, 동일한 데이터 분할을 기존 연구와 공유함으로써 비교 가능성을 확보했다. 모델 학습은 확률적 경사 하강법(SGD)으로 진행했으며, 드롭아웃(0.5)으로 과적합을 방지했다. 하이퍼파라미터(문자 임베딩 차원 25, 문자‑LSTM 차원 25, 토큰 임베딩 차원 100, 레이블‑LSTM 차원 100)는 검증 세트 성능을 기준으로 튜닝했다. 성능 평가는 토큰 수준에서의 정확도(Precision), 재현율(Recall), F1‑score를 사용했으며, 각 실험을 5번 반복해 평균값을 보고한다. 세 가지 모델을 비교한다. (1) No feature: 기존 순수 임베딩 모델, (2) EHR features: 환자·의료진 이름만 사용, (3) All features: 모든 인간 설계 특징과 EHR 메타데이터를 포함. 전체적인 이진 PHI 탐지에서 F1 점수는 세 모델 모두 98.8~99.3% 수준으로 거의 동일했지만, 리콜은 EHR features와 All features 모델이 각각 99.44%와 99.42%로, No feature 모델(99.38%)보다 약간 높았다. 특히 민감한 PHI 유형인 환자 이름과 의사 이름에서 리콜이 크게 상승했으며, 환자 이름의 경우 96.89%에서 99.14%로 개선되었다. 이는 메타데이터에 포함된 이름 정보를 직접 특징으로 활용했기 때문이다. 반면, 전화번호와 같은 일부 유형에서는 All features 모델이 정규표현식이 포괄하지 못하는 비정형 형태(예: 확장 번호) 때문에 리콜이 약간 감소했다. 결과 분석에서는 인간이 만든 특징이 정밀도는 높지만 커버리지가 제한적일 수 있음을 지적한다. 신경망이 자동으로 학습하는 표현과 결합될 때, 특히 EHR 메타데이터처럼 완전하고 정확한 정보를 제공하는 경우에 리콜이 크게 향상된다. 또한, 특징을 과도하게 추가하면 모델이 특징에 과도히 의존해 일반화 능력이 떨어질 위험이 있음을 실험 결과가 보여준다. 결론에서는 EHR 메타데이터를 활용한 특징 강화가 실제 의료 현장에서 비식별화 시스템의 성능을 실질적으로 높일 수 있음을 강조한다. 현재는 환자·의료진 이름만 사용했지만, 주소, 전화번호, 이메일, 직업, 연령 등 다양한 구조화된 필드를 추가하면 더욱 높은 리콜을 기대할 수 있다. 향후 연구 방향으로는 특징 선택을 자동화하는 메타러닝 기법, 다중 도메인 전이 학습, 그리고 실시간 EHR 연동 파이프라인 구축 등을 제시한다.