---
type: paper
slug: junghye-lee-2018-privacy-patient-similarity
title: >-
  Privacy-Preserving Patient Similarity Learning in a Federated Environment:
  Development and Analysis
authors:
  - '[[junghyelee]]'
  - '[[jimeng-sun]]'
  - '[[fei-wang]]'
  - '[[shuang-wang]]'
  - '[[chi-hyuck-jun]]'
  - '[[xiaoqian-jiang]]'
year: 2018
venue: '[[jmir-medical-informatics]]'
volume: '6'
issue: '2'
pages: e20
doi: 10.2196/medinform.7744
categories:
  - '[[medical-ai]]'
  - '[[privacy-preserving-ml]]'
methods:
  - '[[federated-learning]]'
  - '[[homomorphic-encryption]]'
  - '[[hashing]]'
  - '[[k-nearest-neighbor]]'
themes:
  - '[[patient-similarity]]'
  - '[[federated-medical-analysis]]'
  - '[[privacy-preserving-ml]]'
aliases: []
last_updated: '2026-05-17T21:30:00+09:00'
---
# Privacy-Preserving Patient Similarity Learning in a Federated Environment: Development and Analysis

*[[junghyelee]], [[jimeng-sun]], [[fei-wang]], [[shuang-wang]], [[chi-hyuck-jun]], [[xiaoqian-jiang]] (2018)* · [[jmir-medical-informatics]] 6(2):e20 · [DOI ↗](https://doi.org/10.2196/medinform.7744)

> [[junghyelee]] 의 *시그니처 영역 (privacy-preserving ML) 의 출발점* — **UCSD 포닥 시기 발표, 189 회 인용**. 분산된 의료 데이터베이스에서 *원시 데이터 공유 없이* 병원 간 *유사 환자 검색*. *Federated patient hashing* 프레임워크 + *context-specific hash codes* + [[homomorphic-encryption]] 으로 reverse engineering 방어. MIMIC-III 데이터로 *5 개 질병 예측 평가* — k=3 NN 으로 AUC *0.9154 (balanced), 0.8012 (imbalanced)*. "데이터가 이동할 수 없다면, 모델이 이동해야 한다."

- **RQ**: 분산된 의료 데이터에서 *프라이버시 보존* 하며 *환자 유사도* 를 어떻게 학습할 것인가? Cross-institution cohort 구성, 질병 감시, 임상시험 모집에 어떻게 활용?
- **방법론**: *Federated patient hashing* — context-specific hash codes 학습 + [[homomorphic-encryption]] 으로 similarity search 보호 + [[k-nearest-neighbor]] (k=3) classification
- **데이터**: MIMIC-III (Multiparameter Intelligent Monitoring in Intensive Care) — 5 개 질병 예측 평가
- **주요 발견**: (1) **균형 데이터에서 AUC 0.9154, 불균형 0.8012** (k-NN with k=3). (2) **Homomorphic encryption 으로 reverse engineering 방어 확인**. (3) 환자 시퀀스 의료 이벤트 → context-specific hash codes → 효율적 유사도 계산. (4) Cross-institution 분석을 *원시 데이터 이동 없이* 가능.
- **시사점**: *Federated 의료 분석* 의 *가장 본격적인 작업*. Cohort construction, 질병 감시, 임상시험 모집의 *프라이버시 보존 기술적 기반*. [[junghyelee]] 의 *연구 방향* 의 결정적 전환점.

![분산 의료 데이터에서 동형 암호와 해싱 기반 federated patient similarity 학습 구조.](/papers/201804_LeeJ_Privacy_preserving_patient_similarity_learning_in_a_federated_environment_Development_and_analysis/fig1.png)

## 요약

이 paper 는 [[junghyelee]] 의 *1 기 → 2 기 전환점* — UC San Diego 의 *Xiaoqian Jiang* 지도하에서 박사후 연구원으로 발표. **189 회 인용 — 가장 영향력 있는 작업 중 하나**. [[junghyelee]] author page 의 *전환점 1 (UCSD 포닥)* 의 핵심 paper.

방법론적 핵심: *Federated patient hashing*. (i) **Hash code 학습** — 각 병원이 *자신의 환자 시퀀스 의료 이벤트* 를 *context-specific binary hash code* 로 변환. 학습 과정에서 *raw data 공유 없이* 모델 파라미터만 교환. (ii) **유사도 계산** — Hash code 간 Hamming distance 로 환자 유사도 효율적 계산. *데이터 이동 없이 model 이 이동*. (iii) **[[homomorphic-encryption]]** — Hash similarity 계산 자체도 암호화 — *reverse engineering* 으로부터 모델 보호.

핵심 발견: MIMIC-III 의 5 개 질병 (heart failure, kidney failure, sepsis, pneumonia, ARDS 등) 예측. **k=3 nearest neighbor: AUC 0.9154 (balanced) / 0.8012 (imbalanced)**. 불균형 데이터에서 성능 저하는 *희귀 질병의 sample 부족* 의 일반적 한계. Homomorphic encryption 적용 후에도 성능 유지 — *프라이버시-유용성 trade-off* 가 합리적 수준.

이 paper 의 *역사적 위치*: 의료 정보학에서 *federated learning 의 가장 본격적인 초기 작업* 중 하나 (Google 의 federated learning 이 2016-2017 등장한 직후). 임상 환경의 *cross-institution cohort 구성, 다국가 임상시험 모집, 희귀질환 감시* 등에 직접 응용 가능.

[[junghyelee]] 의 *연구 궤적* 안에서 이 paper 는 *시그니처 영역 (privacy-preserving ML) 의 출발점* — *실타래 2 의 모든 작업의 시조*. 후속 [[ming-jun-kim-2020-secure-dp-logistic]] (2020 동형 암호 + DP), [[junghye-lee-2021-harmoae]] (2021 HarmoAE), [[seokjoon-hahn-2022-superfed]] (2022 SuPerFed) 등 *모든 federated / privacy 연구의 시조*.

## 핵심 결과

| 항목 | 값 |
|---|---:|
| **AUC (균형, k=3 NN)** | **0.9154** |
| AUC (불균형, k=3 NN) | 0.8012 |
| 평가 데이터 | MIMIC-III |
| 평가 질병 수 | 5 |
| 인용 수 (현재) | 189 |
| Privacy 보장 방식 | Homomorphic encryption |

- *Raw data 이동 없이* cross-institution 유사도 계산
- Reverse engineering 방어 + 성능 유지
- *Federated 의료 분석* 의 본격적 출발

## 방법론 노트

*Context-specific hash code* learning:

$$
h(x) = \text{sign}(W^\top \phi(x))
$$

$\phi(x)$ = 환자 $x$ 의 의료 이벤트 시퀀스 임베딩, $W$ = 학습되는 projection matrix. 병원별 local update + 글로벌 합집 의 *federated averaging* 패턴.

[[homomorphic-encryption]]: 암호화된 hash code 에 대한 Hamming distance 계산:

$$
d_{\text{Ham}}(\text{Enc}(h_1), \text{Enc}(h_2)) = \text{Enc}(d_{\text{Ham}}(h_1, h_2))
$$

연산이 *암호 공간에서* 가능 → 평문 노출 없이 유사도 산출.

식별 가정: (i) Hash code 의 *context preservation* (의료 의미 유지), (ii) homomorphic encryption 의 *연산 효율*, (iii) MIMIC-III 의 *일반화 가능성*.

## 연구 계보

이 paper 는 (i) McMahan et al. (2017) federated learning 본가, (ii) Brakerski et al. (2014) homomorphic encryption 정통, (iii) Salakhutdinov & Hinton (2009) semantic hashing — 의 결합. [[junghyelee]] 의 *연구 궤적* *전환점 1 (UCSD 포닥)* 의 핵심, *시그니처 영역 (privacy-preserving ML)* 의 시조. 후속 모든 federated / privacy 작업의 기반.

## See also

- [[junghyelee]]
- [[xiaoqian-jiang]]
- [[jimeng-sun]]
- [[fei-wang]]
- [[federated-learning]]
- [[homomorphic-encryption]]
- [[patient-similarity]]
- [[privacy-preserving-ml]]
- [[medical-ai]]
- [[jmir-medical-informatics]]