에코페어 프라이버시 보존과 에너지 효율을 겸비한 동적 라우팅 의료 추론

초록

에코페어는 피부 병변 이미지와 환자 메타데이터를 각각 로컬에서 처리하고, 경량 이미지 임베딩만을 서버에 전송한다. 예측 불확실성, 안전‑위험 확률 차이, 연령·부위 기반 신경‑기호 위험 점수를 결합한 라우팅 정책으로 경량 인코더만 사용할지 무거운 인코더를 추가 활성화할지를 결정한다. 이를 통해 엣지 디바이스의 에너지 소비를 크게 줄이면서 악성 사례에 대한 민감도와 소수집단 공정성을 유지한다.

상세 분석

에코페어는 수직 분할 학습(VFL) 개념을 추론 단계에만 적용한 시뮬레이션 프레임워크로, 원본 이미지와 원시 메타데이터를 절대 외부로 전송하지 않는다. 이미지 클라이언트(A1)는 먼저 MobileNetV2·V3Small 등 경량 인코더(E_lite)를 사용해 임베딩 h_lite(x)와 클래스 확률 분포 p(x)를 산출한다. 여기서 두 가지 라우팅 신호를 추출한다. 첫 번째는 셰넌 엔트로피 H(x)로, 높은 값은 모델의 불확실성을 의미한다. 두 번째는 임상적으로 정의된 안전‑위험 클래스 집합 S와 D에 대한 누적 확률 P_S(x), P_D(x) 차이 Δ(x)=P_S−P_D를 기반으로 한다. Δ가 0에 가까울수록 위험과 안전 사이의 구분이 모호하므로, 이를 1−|Δ| 형태의 모호도 점수 A_Δ(x)로 변환한다. 라우팅 결정 G(x)=1(무거운 인코더 활성) 여부는 H(x)와 A_Δ(x)의 가중합이 사전 설정된 임계값을 초과하는지 여부로 판단한다.

이와 별도로 탭ular 클라이언트(A2)는 환자 연령과 병변 위치 정보를 이용해 신경‑기호 위험 점수 R를 계산한다. R은 간단한 규칙 기반 함수(예: 연령≥60세·고위험 부위이면 높은 점수)와 작은 신경망을 결합한 형태이며, 라우팅 시점에 추가적인 임상 위험 신호로 활용된다. 서버(B)는 경량 혹은 경량+무거운 이미지 임베딩과 탭ular 임베딩을 concat 후 다층 퍼셉트론으로 다중 모달 융합을 수행한다.

에너지 절감 효과는 주로 무거운 인코더(E_heavy)의 호출 빈도를 감소시킴으로써 얻어진다. 논문에서는 MobileNetV2 대비 EfficientNetB6을 사용할 경우 평균 45 %의 연산량 감소와 38 %의 전력 소모 감소를 보고한다. 중요한 점은 이러한 절감이 악성 병변(특히 흑색종) 검출 성능에 거의 영향을 주지 않는다는 것이다. 라우팅이 적용된 경우 전체 정확도는 1 % 미만 감소했으나, 소수 피부톤 그룹에 대한 True Positive Rate 차이는 6 %에서 2 %로 크게 개선되었다. 이는 라우팅이 불확실하거나 위험 점수가 높은 샘플을 자동으로 고성능 경로로 전환함으로써, 평균 성능 저하 없이 공정성을 향상시킨 결과이다.

또한, 에코페어는 암호화나 차등 프라이버시와 같은 전통적인 보호 메커니즘을 사용하지 않는다. 대신 데이터 자체를 로컬에 남겨두고, 전송되는 임베딩은 모델 파라미터에 의해 학습된 비식별 표현이므로, 원본 정보 복원 가능성이 현저히 낮다. 이는 의료 현장에서 실시간 진단이 요구되는 상황에 적합한 경량‑보안 트레이드오프를 제공한다.

한계점으로는 라우팅 임계값을 수동으로 설정해야 하며, 임상 위험 점수 R이 단순 규칙에 의존한다는 점이다. 또한 실제 네트워크 지연과 배터리 방전 모델을 고려한 실험이 부족하다. 향후 연구에서는 강화학습 기반의 임계값 자동 튜닝, 보다 정교한 신경‑기호 위험 모델, 그리고 실제 모바일 피부 스캐너와의 통합 테스트가 필요하다.