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。该技术现已首次用于识别儿童X射线图像中的的算法中。研究人员发现，与现有算法相比，他们的新隐私保护技术在诊断儿童各种方面显示出相当或更高的准确性。

人工智能(AI)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学数据的数量和质量，并且通常在诊所之间共享患者数据以最大化数据池。

为了保护这些数据，材料通常会进行匿名化和假名化，但是研究人员说，这些保护措施在保护患者健康数据方面常常被证明是不足的。

为了解决这个问题，慕尼黑工业大学(TUM)，伦敦帝国学院和非营利组织OpenMined的跨学科团队开发了基于AI的放射图像数据诊断过程的独特组合，以保护数据隐私。

该小组在《自然机器智能》上发表的论文中提出了一种成功的应用：一种深度学习算法，可以对儿童X射线中的状况进行分类。

帝国理工大学计算机系和TUM的合著者Daniel Rueckert教授说：“保证医疗数据的隐私性和安全性对于大规模机器学习模型的开发和部署至关重要。”

隐私保护

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。当前，诊所通过将数据库的副本发送到正在训练算法的诊所来共享患者数据。

在这项研究中，研究人员使用了合学习，其中深度学习算法是共享的，而不是数据本身。使用本地数据在各个医院对模型进行了训练，然后将其返回给作者-因此，数据所有者不必共享其数据并保留完全的控制权。

TUM和帝国计算机部的第一作者Georgios Kaissis说：“为了确保患者数据的安全，永远不要将其离开诊所。”

为了防止确定训练过算法的机构，该团队应用了另一种技术：安全聚合。他们以加密形式组合了算法，并且仅在对所有参与机构的数据进行了训练之后才对它们进行解密。

为了防止将单个患者数据从数据记录中过滤掉，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，而不是从个人的贡献中提取统计相关性。

鲁克特教授说：“我们的方法已经在其他研究中得到应用，但是我们尚未看到使用真实临床数据进行的大规模研究。通过有针对性的技术发展以及信息学和放射学专家之间的合作，我们已经成功地训练了模型可以在满足高标准的数据保护和隐私的同时提供精确的结果。”

为数字医学铺平道路

正如该团队在2020年发表的前一篇论文中所显示的那样，最新数据保护流程的结合还将促进机构之间的合作。他们的保护隐私的AI方法可以克服道德，法律和政治障碍，从而为广泛使用人工智能在医疗保健中，这对于罕见疾病的研究可能非常重要。

科学家们坚信，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。Georgios补充说：“要训练好的AI算法，我们需要好的数据，而且只有通过适当地保护患者的隐私才能获得这些数据。我们的发现表明，有了数据保护，我们可以为增进知识做更多的工作思考。”

Georgios Kaissis等人的“在多机构医学影像上保护深度学习的端到端隐私”在2021年5月24日发表在《自然机器智能》上。