Дослідження: новий метод безпечно шифрує медичні дані за допомогою ШІ

БУФФАЛО, Нью-Йорк – Штучний інтелект може покращити здатність лікарів діагностувати та лікувати апное уві сні. Але ця технологія не отримала широкого поширення через побоювання, що вона не захищає дані пацієнтів.

Незабаром це може змінитися.

Нове дослідження під керівництвом Університету Баффало, профінансоване грантом IBM/Університету штату Нью-Йорк у розмірі 200 000 доларів США, показує, як безпечно шифрувати дані на основі ШІ, коли вони передаються від сторонніх постачальників хмарних послуг, таких як Google або Amazon, до лікарів та своїх пацієнтів.

Метод, який ґрунтується на повністю гомоморфному шифруванні (FHE), довів 99,56% ефективності у виявленні апное уві сні з деідентифікованого набору даних електрокардіограми (ЕКГ), доступного для дослідження. Зрештою, ця техніка може прискорити та покращити виявлення та лікування апное уві сні, а також використовувати її в інших програмах охорони здоров’я, де безпека даних має першочергове значення.

«Ця робота підкреслює, як безпечна зашифрована обробка даних може захистити конфіденційність пацієнтів, водночас забезпечуючи передові діагностичні інструменти на основі ШІ. Він пропонує значний потенціал для покращення безпеки охорони здоров’я в діагностиці апное сну та в інших сферах», – сказав провідний дослідник Наліні Рата, доктор філософії, професор інновацій SUNY Empire на кафедрі комп’ютерних наук та інженерії Університетського університету.

Дослідження було опубліковано на Міжнародній конференції з розпізнавання образів (ICPR) 2024 року, яка відбулася 1-5 грудня в Калькутті, Індія. Серед співавторів — Чаранджит Джутла, науковий співробітник IBM; Арджун Рамеш Каушік, аспірант UB; і студенти MS Tilak Sharma і Bharat Yalavarthi, які нещодавно закінчили програму інформатики UB.

Максимізація переваг, зменшення ризиків

ШІ може принести користь як лікарям, так і пацієнтам, сказав Рата. Машинне навчання пропонує кілька переваг, зокрема швидший і ефективніший аналіз, здатність обробляти великі обсяги даних і потенціал для більш точної діагностики.

Наприклад, алгоритми глибокого навчання навчені визначати шаблони в сигналах ЕКГ, які вказують на порушення дихання або зниження рівня кисню під час сну, що характерно для апное уві сні. Аналізуючи великі обсяги даних ЕКГ, ці моделі можуть навчитися виявляти тонкі аномалії, які може бути важко ідентифікувати лікарям, пояснив він.

Непокоїть лише поширення даних, а також результати діагностики, оскільки це може порушити конфіденційність пацієнтів.

«Якщо постачальник хмарних послуг, як-от Google або Amazon, проводить аналітику моїх даних, вони потенційно можуть з’ясувати, який у мене стан апное уві сні, а потім почати надсилати мені оголошення про те чи інше», — сказав він. «Постачальники хмарних послуг також можуть мати домовленості з іншими компаніями про перехресний продаж мені речей. Інформація про апное сну призначена лише для мого лікаря; це не для публічного споживання, особливо для отримання прибутку від реклами в моїй ситуації».

Страхові компанії також могли б отримувати дані та потенційно підвищувати внески на пацієнтів із апное уві сні, оскільки їхні захворювання були виявлені.

«Якщо перша стіна конфіденційності зруйнована, втрата інформації може коштувати пацієнту багато в чому», — сказав Рата. «Коли ви збираєте всі ці ЕКГ без будь-яких обмежень, ви можете спробувати зробити багато непотрібних зв’язків. Якщо хтось надсилає свою ЕКГ постачальнику послуг в Інтернеті, ось тут ми вступаємо в справу. Як ми запобігмо зловживанню цими постачальниками послуг даними?»

Швидша та ефективна обробка зашифрованих даних

Відомо, що аналітика на основі FHE є повільнішою та складнішою, ніж традиційні методи аналітики незашифрованих даних.

Дослідники подолали ці недоліки, розробивши нові методи, які оптимізують ключові операції глибокого навчання, дозволяючи системі FHE працювати швидше та дешевше.

Приклади цих методів, які охоплюють усі етапи глибокої нейронної мережі, включають згортку, яка є методом, що використовується для виявлення шаблонів; функції активації, як випрямлений лінійний блок, який допомагає моделі приймати рішення; об'єднання, яке використовується для зменшення розміру даних; і повністю підключений рівень, який є нейронною мережею, в якій кожен вхідний вузол з’єднаний з кожним вихідним вузлом.

Посилаючись на стандартний приклад у домені FHE, Рата використав аналогію із золотом, щоб пояснити, як працює їхня система шифрування.

«Якщо ви хочете створити прикрасу із золота, але не хочете віддавати її безпосередньо ювеліру, тому що ви не знаєте, що ювелір змішає з нею, ви кладете її в коробку», — сказав він. . «Ювелір може доторкнутися до золота, але ніколи не може вийняти його зі скриньки. Скринька — це наше шифрування, дані — це золото, а ювелір — це алгоритм на основі FHE, який приходить і торкається даних, але не може витягти їх із коробки».

Рата підкреслив, що хоча вони використовували апное уві сні для цього дослідження, їхні висновки можуть бути застосовані до багатьох аналітичних даних рентгенівських зображень, МРТ, КТ та інших медичних процедур.

«Є багато ситуацій, коли конфіденційність має першорядне значення», — сказав він.