FedPref는 병원마다 흩어진 방사선 판독문을 공유하지 않고도 구조화된 정보 추출 모델을 협업 학습하는 연합학습 기법이다. 공개 언어모델이 여러 JSON 추출안을 제시하면 각 병원의 로컬 주석이 이를 순위화하고, 여러 병원이 모델 업데이트만 공유하며 경량 Qwen3-8B 어댑터를 함께 훈련한다. 데이터량이 다른 가상 병원 6곳에서 개별 학습 대비 평균 F1을 2.49점, 데이터가 가장 적은 병원의 F1은 9.10점 끌어올렸다. 400건 검증셋 기준 FedPref는 F1 68.68을 기록해 데이터를 모두 모아 중앙 학습한 경우(71.67)에 근접했다. 데이터가 적은 소규모 병원일수록 이런 협업 학습의 이득이 크다는 점을 보여준다.

• •병원 간 판독문·주석 공유 없이 모델 업데이트만으로 연합학습
• •데이터 최소 병원의 F1을 9.10점 향상 — 소규모 기관 수혜 최대
• •6개 가상 병원 평균 F1 2.49점 개선, 중앙집중 학습(71.67) 대비 68.68 도달
• •경량 Qwen3-8B 어댑터로 방사선 판독문의 자유텍스트를 고정 스키마로 추출