Credit:伦敦帝国理工学院TUM和Imperial的研究人员开发了一种技术，可以在训练医疗算法的同时保护患者的个人数据。这项技术现在首次被用于在儿童x光图像中识别肺炎的算法中。研究人员发现，他们的新隐私保护技术在诊断儿童各种肺炎方面显示出与现有算法相当或更好的准确性。
人工智能算法可以支持临床医生诊断癌症和败血症等疾病。这些算法的有效性取决于用于训练它们的医疗数据的数量和质量，并且患者数据通常在诊所之间共享，以最大化数据池。
为了保护这些数据，这些材料通常会被匿名化和假名化，但研究人员表示，事实证明，这些保护措施往往不足以保护患者的健康数据。
为了解决这个问题，慕尼黑技术大学(TUM)、伦敦帝国理工学院和非营利的OpenMined的跨学科团队开发了一种基于人工智能的放射图像数据诊断过程的独特组合，以保护数据隐私。
在他们发表在《自然机器智能》上的论文中，该团队展示了一个成功的应用:一种深度学习算法，有助于对儿童x光照片中的肺炎情况进行分类。
合著者、帝国理工大学计算和TUM系的Daniel Rueckert教授表示:“保障医疗数据的隐私和安全对于大规模机器学习模型的开发和部署至关重要。”
秘密保护
保护患者记录的一种方法是将其保存在收集地点，而不是与其他诊所共享。目前，诊所通过向正在训练算法的诊所发送数据库副本来共享患者数据。
在这项研究中，研究人员使用了联合学习，其中深度学习算法是共享的，而不是数据本身。模型在不同的医院使用本地数据进行训练，然后返回给作者——因此，数据所有者不必共享他们的数据，并保留完全的控制权。
第一作者，TUM和Imperial的计算部门的圣乔治·凯瑟斯说:“为了保证病人数据的安全，它永远不应该离开收集数据的诊所。”
为了防止识别训练算法的机构，该团队应用了另一种技术:安全聚合。他们将算法以加密的形式组合在一起，只有在用所有参与机构的数据对它们进行训练后，才将其解密。
为了防止单个患者数据从数据记录中被过滤掉，研究人员在训练算法时使用了第三种技术，以便可以从数据记录中提取统计相关性，而不是单个个人的贡献。
Rueckert教授说:“我们的方法已经应用于其他研究，但我们还没有看到使用真实临床数据的大规模研究。通过有针对性的技术开发以及信息学和放射学专家之间的合作，我们成功地训练了模型，这些模型在提供精确结果的同时，满足了数据保护和隐私的高标准。”
为数字医学铺平道路
正如该团队在2020年发表的一篇论文中所展示的那样，最新数据保护流程的结合也将促进机构间的合作。他们保护隐私的人工智能方法可以克服伦理、法律和政治障碍，从而为人工智能在医疗保健中的广泛应用铺平道路，这对罕见疾病的研究非常重要。
科学家们确信，通过保护患者的隐私，他们的技术可以为数字医学的发展做出重要贡献。圣乔治补充道:“要训练好的AI算法，我们需要好的数据，而我们只能通过适当保护患者隐私来获取这些数据。我们的发现表明，有了数据保护，我们可以为知识的进步做比许多人想象的更多的事情。”
圣乔治·凯西斯等人的“多机构医学影像的端到端隐私保护深度学习”于2021年5月24日发表在《自然机器智能》杂志上。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
