이 연구는 백혈병이나 바이러스 감염 같은 질병 이해에 중요한 희귀질환 관련 세포군을 단일세포 데이터에서 탐지하는 CellCnn 모델을, 여러 기관의 민감한 환자 데이터를 공유하지 않고도 학습·추론할 수 있는 보안 다자간 계산(MPC) 프레임워크로 구현했다. 참여자나 연산 서버 어느 쪽도 원본 환자 데이터나 중간 계산값을 볼 수 없도록 비밀 분산 방식으로 전체 과정을 설계한 것이 핵심이다. 거대세포바이러스(CMV) 감염과 급성골수성백혈병(AML) 벤치마크 데이터셋에서 평문 학습과 근접한 정확도를 유지하면서 기존 프라이버시 보호 기법을 능가했으며, ReLU 활성화 함수와 편향항 등 CellCnn의 핵심 구조를 제거하지 않고도 정확한 분석이 가능함을 보였다.

• •세포군 탐지 모델 CellCnn을 보안 다자간 계산(MPC)으로 학습·추론, 원본 데이터 노출 없음
• •CMV·AML 벤치마크에서 평문 대비 근접한 정확도, 기존 프라이버시 보호 기법 능가
• •ReLU·편향항 등 모델 구조 손상 없이 정확한 분석 유지가 기존 기법과의 차별점
• •기관 간 환자 데이터 공유 없이 대규모 협력 학습이 가능해짐