Neue KI-Technologie schützt die Privatsphäre im Gesundheitswesen Empire News

Forscher der TUM und des Imperial haben eine Technologie entwickelt, die die persönlichen Daten der Patienten schützt und gleichzeitig Algorithmen für das Gesundheitswesen trainiert.

Diese Technik wurde nun zum ersten Mal in einem Algorithmus verwendet, der Lungenentzündung in Röntgenbildern von Kindern identifiziert. Das Die Forscher fanden Ihre neuen Technologien zum Schutz der Privatsphäre haben im Vergleich zu den vorhandenen Algorithmen eine ähnliche Genauigkeit oder bessere Genauigkeit bei der Diagnose verschiedener Pneumonien bei Kindern gezeigt.

Die Gewährleistung des Datenschutzes und der Sicherheit von Gesundheitsdaten ist für die Entwicklung und Bereitstellung umfangreicher Modelle für maschinelles Lernen von entscheidender Bedeutung. Professor Daniel Roikert Abteilung für Informatik

Algorithmen für künstliche Intelligenz (KI) können Ärzte bei der Diagnose von Krankheiten wie Krebs und Sepsis unterstützen. Die Wirksamkeit dieser Algorithmen hängt von der Menge und Qualität der medizinischen Daten ab, die für das Training verwendet werden. Die Patientendaten werden häufig zwischen den Kliniken ausgetauscht, um den Datensatz zu maximieren.

Um diese Daten zu schützen, unterliegt das Material normalerweise Anonymität und Pseudonymen. Forscher sagen jedoch, dass sich diese Schutzmaßnahmen im Hinblick auf den Schutz der Gesundheitsdaten von Patienten häufig als unzureichend erwiesen haben.

Um dieses Problem anzugehen, hat ein multidisziplinäres Team bei Technische Universität München (TUM), Imperial College London und gemeinnützige Organisationen OpenMined Entwicklung eines einzigartigen Satzes von AI-basierten Diagnosen für Röntgenbilddaten zum Schutz der Privatsphäre.

In ihrer Papier-Veröffentlicht am Intelligenz der NaturmaschineDas Team präsentierte eine erfolgreiche Anwendung: einen Deep-Learning-Algorithmus, mit dessen Hilfe Lungenentzündungsfälle bei Röntgenaufnahmen von Kindern klassifiziert werden können.

„Die Gewährleistung des Datenschutzes und der Sicherheit von Gesundheitsdaten ist für die Entwicklung und Bereitstellung umfangreicher Modelle für maschinelles Lernen von entscheidender Bedeutung“, sagte Co-Autor Professor Daniel Roikert vom Department of Computing and TUM bei Imperial.

Datenschutz

Um die Sicherheit der Patientendaten zu gewährleisten, dürfen Sie die Klinik, in der sie gesammelt werden, nicht verlassen. Georgios Küsse Abteilung für Informatik

Eine Möglichkeit, Patientenakten zu schützen, besteht darin, sie an der Sammelstelle aufzubewahren, anstatt sie mit anderen Kliniken zu teilen. Derzeit teilen Kliniken Patientendaten, indem sie Kopien von Datenbanken an Kliniken senden, in denen Algorithmen trainiert werden.

In dieser Studie verwendeten die Forscher einheitliches Lernen, bei dem ein Deep-Learning-Algorithmus anstelle der Daten selbst verwendet wird. Die Modelle wurden in verschiedenen Krankenhäusern anhand lokaler Daten geschult und dann an die Autoren zurückgegeben. Daher mussten die Dateneigentümer ihre Daten nicht weitergeben und die vollständige Kontrolle behalten.

Erstautor Georgios Küsse „Um die Sicherheit der Patientendaten zu gewährleisten, sollten Sie die Klinik, in der sie gesammelt werden, niemals verlassen“, sagte er von der TUM und der Abteilung für Datenverarbeitung des Imperial.

Um die Identifizierung der Institutionen zu verhindern, in denen der Algorithmus trainiert wurde, wandte das Team eine andere Technik an: sicheres Clustering. Sie haben die Algorithmen in eine verschlüsselte Form integriert und diese erst entschlüsselt, nachdem sie mit den Daten aller teilnehmenden Organisationen geschult wurden.

Wir trainieren erfolgreich Modelle, die genaue Ergebnisse liefern und gleichzeitig hohe Standards in Bezug auf Datenschutz und Privatsphäre erfüllen. Professor Daniel Roikert Abteilung für Informatik

Um zu verhindern, dass einzelne Patientendaten aus den Datensätzen gefiltert werden, verwendeten die Forscher beim Training des Algorithmus eine dritte Technik, damit statistische Korrelationen aus den Datensätzen extrahiert werden konnten, nicht jedoch aus den Beiträgen einzelner Personen.

Professor Roikert sagte: „Unsere Methoden wurden in anderen Studien angewendet, aber wir haben noch keine groß angelegten Studien mit realen klinischen Daten gesehen. Durch gezielte Entwicklung von Technologien und Kooperationen zwischen Informatik und Radiologen haben wir erfolgreich Modelle trainiert, die genaue Ergebnisse liefern bei gleichzeitiger Einhaltung hoher Datenschutzstandards. Und Datenschutz. „

Wegbereiter für die digitale Medizin

Die Kombination der neuesten Datenschutzprozesse erleichtert auch die Zusammenarbeit zwischen Organisationen, wie das Team von A. Vorheriges Papier Veröffentlicht im Jahr 2020. Eine datenschutzbewahrende KI-Methode kann ethische, rechtliche und politische Hürden überwinden und den Weg für eine weit verbreitete Verwendung von KI im Gesundheitswesen ebnen, die für die Erforschung seltener Krankheiten äußerst wichtig sein könnte.

Wissenschaftler sind davon überzeugt, dass ihre Technologie durch den Schutz der Privatsphäre von Patienten einen wichtigen Beitrag zur Weiterentwicklung der digitalen Medizin leisten kann. Georgios fügte hinzu: „Um gute KI-Algorithmen zu trainieren, benötigen wir gute Daten, und wir können diese Daten nur erhalten, wenn wir die Privatsphäre der Patienten angemessen schützen. Unsere Ergebnisse zeigen, dass wir durch den Schutz von Daten viel tun können, um das Wissen noch weiter zu verbessern. Als viele Menschen Überlegen. „

Die Arbeit wurde von der Technischen Universität München finanziert, Deutsche ForschungsgemeinschaftUnd der Deutscher KrebsverbandUnd der Tom FoundationUnd der UK Forschung und InnovationUnd die Imperial-TUM Joint Academy of Doctoral Studies.

Kaissis und Rückert wurden zuvor teilweise unterstützt Projekt des britischen Innovationszentrums für künstliche Intelligenz im Wert von 26 Mio. GBP.

„“Umfassende Privatsphäre, die tiefes Lernen in der multi-institutionellen medizinischen Bildgebung aufrechterhältGeschrieben von Georgios Kisses Et al.Gepostet am 24. Mai 2021 in Intelligenz der Naturmaschine.

Diese Geschichte wurde von Prof. Pressemitteilung Mit der TUM.

Fotos: Qaysis Et al.

Siehe die Pressemitteilung zu diesem Artikel