Κέρδη:
- Δυνατότητα αναγνώρισης ενσωματωμένων πληροφοριών αναγνώρισης (κεφαλίδα και εγγεγραμμένα δεδομένα) σε εικόνες DICOM και εφαρμογή κανόνων ανωνυμοποίησης και ασφαλούς κοινής χρήσης
- Δυνατότητα κριτικής αξιολόγησης της επικύρωσης, του επιπέδου αποδεικτικών στοιχείων, της ρυθμιστικής έγκρισης (CE/κανονισμός) και της τοπικής επικύρωσης ενός μοντέλου AI
- Ικανότητα αντιμετώπισης ηθικών ζητημάτων όπως αλγοριθμική μεροληψία, συναίνεση του ασθενούς, υπευθυνότητα και διαφάνεια στο πλαίσιο της απεικόνισης
Τα ακτινολογικά δεδομένα είναι ένας από τους πιο ευαίσθητους τύπους προσωπικών δεδομένων. Μια εικόνα δεν μεταφέρει μόνο μια ασθένεια, αλλά και ποιανού ασθένεια είναι. μια μαγνητική τομογραφία εγκεφάλου μπορεί να αναγνωρίσει ένα άτομο μέσω της ανακατασκευής του προσώπου, ένα αρχείο DICOM αποθηκεύει το όνομα, τον αριθμό αναγνώρισης και την ημερομηνία γέννησης του ασθενούς στην κεφαλίδα του. Στην εποχή της τεχνητής νοημοσύνης, είναι εύκολο να φορτώσετε αυτά τα δεδομένα σε ένα εργαλείο, να τα μοιραστείτε ή να τα χρησιμοποιήσετε για να εκπαιδεύσετε ένα μοντέλο — και αυτή ακριβώς η ευκολία είναι που δημιουργεί τον μεγαλύτερο κίνδυνο απορρήτου. Σε αυτήν την ενότητα, θα συζητήσουμε την ανωνυμοποίηση DICOM, το KVKK/απόρρητο, την επικύρωση μοντέλου και τα θέματα δεοντολογίας από άκρο σε άκρο.
Βασική αρχή: Οι ακτινολογικές εικόνες και αναφορές είναι ειδικά προσωπικά δεδομένα. Τα δεδομένα ταυτότητας στην κεφαλίδα DICOM και ενσωματωμένα στην εικόνα δεν εισέρχονται σε κανένα εξωτερικό εργαλείο χωρίς να έχουν ανωνυμοποιηθεί. Αξιοπιστία ενός μοντέλου; Η επικύρωση αξιολογείται με επίπεδο αποδεικτικών στοιχείων, ρυθμιστική έγκριση και τοπική επαλήθευση. Η ευθύνη, η υπογραφή και η τελική απόφαση βαρύνουν πάντα τον ακτινολόγο.
Το DICOM φέρει ταυτότητα σε δύο επίπεδα
Τα ακτινολογικά δεδομένα, σε αντίθεση με άλλα δεδομένα υγείας, φέρουν την ταυτότητα σε δύο ξεχωριστά στρώματα και η ανωνυμοποίηση είναι ελλιπής χωρίς διαγραφή και των δύο.
1. Επικεφαλίδα DICOM: Δομημένα πεδία στην αρχή του αρχείου εικόνας — όνομα ασθενούς, αριθμός αναγνώρισης/πρωτοκόλλου, ημερομηνία γέννησης, φύλο, ίδρυμα, ημερομηνία εξέτασης, συσκευή. Αυτές οι περιοχές μπορούν να διαγραφούν/καλυφθούν με ένα εργαλείο, αλλά εάν ξεχαστεί η εικόνα θα συνεχίσει να φέρει αναγνώριση ενώ θεωρείται ότι είναι "ανώνυμη".
2. Εγγεγραμμένα δεδομένα: Σε ορισμένες εικόνες —ειδικά υπερήχους, λήψεις οθόνης με ακτινοσκόπηση, εξωτερικές σαρώσεις— οι πληροφορίες του ασθενούς εγγράφονται απευθείας στα pixel. Η εκκαθάριση της κεφαλίδας δεν το καταργεί. Το ενσωματωμένο κείμενο πρέπει να είναι καλυμμένο (καλυμμένο) ή αυτή η περιοχή πρέπει να περικοπεί.
Επιπλέον, κίνδυνος αναδόμησης προσώπου: το πρόσωπο μπορεί να ανακατασκευαστεί τρισδιάστατα από αξονικές τομογραφίες κεφαλής/εγκεφάλου και μαγνητική τομογραφία υψηλής ανάλυσης. Αυτό, επίσης, είναι μια μορφή αποκάλυψης ταυτότητας και, σε ορισμένα πλαίσια, απαιτεί «παραμόρφωση».
στρώμα
όπου
Πώς να καθαρίσετε
αν ξεχαστεί
Κεφαλίδα DICOM
Τίτλος αρχείου
Εργαλείο ανωνυμοποίησης
Η ταυτότητα παραμένει ανοιχτή
ενσωματωμένο κείμενο
intra pixel
Απόκρυψη/περικοπή
Η εικόνα φέρει ταυτότητα
δεδομένα προσώπου
τρισδιάστατη όψη κεφαλής
παραμορφώνοντας
Αναγνωρίζεται από το πρόσωπο
Κείμενο αναφοράς
ΥΠΕΝ/κείμενο
Αφαίρεση ονόματος/αριθμού
Το άτομο ταυτοποιείται
KVKK και ασφαλής κοινή χρήση
Στην Τουρκία, ο KVKK (Νόμος για την Προστασία Δεδομένων Προσωπικού Χαρακτήρα) αντιμετωπίζει τα δεδομένα υγείας ως "προσωπικά δεδομένα ειδικής φύσης" στο υψηλότερο επίπεδο προστασίας. Στην Ευρώπη, το αντίστοιχο είναι το GDPR. Βασικοί κανόνες: επεξεργασία δεδομένων μόνο όσο χρειάζεται για τον απαραίτητο σκοπό. απο-ανωνυμοποίηση εκτός του ιδρύματος· Εάν πρόκειται να το χρησιμοποιήσετε στην εκπαίδευση μοντέλων, παρέχετε νομική βάση και ρητή συγκατάθεση εάν είναι απαραίτητο. Μάθετε πού πηγαίνουν τα δεδομένα σας. Η μεταφόρτωση μη ανωνυμοποιημένων εικόνων/αναφορών σε ένα δημόσιο εργαλείο τεχνητής νοημοσύνης αποτελεί παραβίαση δεδομένων. Θα πρέπει να προτιμώνται εταιρικά εργαλεία που έχουν συμφωνία επεξεργασίας δεδομένων (DPA), δεν χρησιμοποιούν τα δεδομένα σας στην εκπαίδευση μοντέλων και κατά προτίμηση εργάζονται εντός/τοπικά.
Προσοχή: Το να πείτε "μόλις διέγραψα το επώνυμο" ή "το εργαλείο είναι ήδη ασφαλές" δεν αποτελεί ανωνυμοποίηση. Δεν υπάρχουν δεδομένα εκτός του ιδρύματος χωρίς να αφαιρεθούν όλα τα δεδομένα ονόματος, TR ID, αριθμού πρωτοκόλλου/εξέτασης, ημερομηνίας γέννησης, επαφής, ιδρύματος και ενσωματωμένης ταυτότητας/κεφαλίδας. Η ανωνυμοποίηση δεν είναι μια συνήθεια, ούτε μια εφάπαξ εργασία.
Επικύρωση μοντέλου: πότε να εμπιστευτείτε ένα μοντέλο
Δεν αρκεί να πούμε ότι ένα μοντέλο «δουλεύει». Είναι απαραίτητο να αναρωτηθούμε πώς, πού και πόσο λειτουργεί.
- Επικύρωση και επίπεδο αποδεικτικών στοιχείων: Σε ποιον πληθυσμό, σε πόσες περιπτώσεις, με ποιες μετρήσεις (ευαισθησία, ειδικότητα, ψευδώς αρνητικό) δοκιμάστηκε το μοντέλο; Υπάρχουν δημοσιευμένα, ανεξάρτητα στοιχεία;
- Κανονιστική έγκριση: Είναι το προϊόν εγκεκριμένο ως ιατροτεχνολογικό προϊόν (π.χ. σήμανση CE, σχετική ρυθμιστική έγκριση); Ποια χρήση καλύπτεται από την έγκριση;
- Τοπική επαλήθευση: Το πιο κρίσιμο βήμα. Έχει δοκιμαστεί το μοντέλο στη δική σας συσκευή, στο δικό σας πρωτόκολλο, στον δικό σας πληθυσμό; Η μετατόπιση κατανομής (μείωση της απόδοσης καθώς απομακρύνεται κανείς από τις συνθήκες προπόνησης) δεν φαίνεται χωρίς τοπική επικύρωση.
- Ιχνηλασιμότητα: Παρακολουθούνται η έκδοση του μοντέλου, οι ενημερώσεις και οι αλλαγές απόδοσης;
Ηθική διάσταση
Αλγοριθμική προκατάληψη: Εάν το μοντέλο εκπαιδεύεται σε έναν συγκεκριμένο πληθυσμό, μπορεί να έχει χειρότερη απόδοση σε άλλες ομάδες (ηλικία, φύλο, εθνικότητα, σπάνια ασθένεια) και να μεγεθύνει την ανισότητα. Συναίνεση και διαφάνεια ασθενούς: Πρέπει ο ασθενής να γνωρίζει ότι χρησιμοποιείται τεχνητή νοημοσύνη στη διάγνωσή του. Πώς το κάνει αυτό διαφανές το ίδρυμα; Ευθύνη: Εάν μια ανάγνωση με τη βοήθεια τεχνητής νοημοσύνης κάνει λάθος, ποιος είναι υπεύθυνος — η απάντηση βρίσκεται στον ακτινολόγο που υπέγραψε. Το AI δεν αναλαμβάνει την ευθύνη. Δίκαιη πρόσβαση: Εάν τα εργαλεία τεχνητής νοημοσύνης είναι διαθέσιμα σε ορισμένα κέντρα και όχι σε άλλα, αυτό μπορεί να είναι πηγή ανισότητας.
τρεις μίνι θήκες
Περίπτωση 1 — Παράβαση ενσωματωμένου κειμένου. Ένας γιατρός ανεβάζει μια ενδιαφέρουσα εικόνα υπερήχων, καθαρίζει την κεφαλίδα της και την ανεβάζει σε ένα δημόσιο εργαλείο τεχνητής νοημοσύνης. Αλλά στη γωνία της εικόνας υπάρχει το όνομα του ασθενούς και ο αριθμός πρωτοκόλλου χαραγμένα στο pixel. Παρόλο που η κεφαλίδα ήταν καθαρή, έφερε ένα ενσωματωμένο αναγνωριστικό ανάρτησης. Το ίδρυμα αντιμετωπίζει μια ειδοποίηση KVKK. Ο σωστός τρόπος ήταν να καλύψουμε την ενσωματωμένη περιοχή και να την μοιραστούμε έτσι.
Περίπτωση 2 — Διάδοση χωρίς τοπική επαλήθευση. Ένα κέντρο εισάγει τακτικά ένα μοντέλο οστικής ηλικίας που εκπαιδεύεται σε πληθυσμό στο εξωτερικό χωρίς ποτέ να το επικυρώνει στη δική του ομάδα ασθενών. Μήνες αργότερα, παρατηρείται ότι το μοντέλο είναι συστηματικά προκατειλημμένο στους πληθυσμούς του. Εάν γινόταν τοπική επαλήθευση, αυτό θα φαινόταν από την αρχή. Μάθημα: ακόμη και η ρυθμιστική έγκριση δεν υποκαθιστά την τοπική επαλήθευση.
Περίπτωση 3 — Αναφορά ανωνυμοποίησης. Ένας ακτινολόγος θέλει να συζητήσει μια δύσκολη περίπτωση με τον συνάδελφό του μέσω ενός εργαλείου AI. Ξαναγράφει την ιστορία ως «62χρονη γυναίκα, γνωστό ιστορικό καρκίνου του μαστού» αντί για «Ayşe Yılmaz, πρωτόκολλο 2024-114523, καρκίνος του μαστού». Μοιράζεται την εικόνα με την κεφαλίδα DICOM καθαρισμένη και το ενσωματωμένο κείμενο καλυμμένο. Γίνεται κλινική συζήτηση, δεν αποκαλύπτονται ταυτότητες. Η σωστή ανωνυμοποίηση επέτρεψε την ασφαλή χρήση AI.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Ayşe Yılmaz, TC 123..., πρωτόκολλο 2024-114523, καρκίνος του μαστού, ερμηνεύστε αυτή τη μαγνητική τομογραφία.
Η ταυτότητα μοιράζεται ανοιχτά. Πρόκειται για παραβίαση του KVKK, θα έπρεπε να είχε σταματήσει πριν γραφτεί η προτροπή.
Ισχυρή προτροπή:
Ο ρόλος σας: βοηθός ελέγχου ανωνυμοποίησης. Αφαιρέστε το όνομά σας, το TR ID, τον αριθμό πρωτοκόλλου/εξέτασης, την ημερομηνία γέννησης, την επικοινωνία και τα στοιχεία του ιδρύματος από το παρακάτω κείμενο. αντικαταστήστε το με "[καταργήθηκε]". Αφήστε μόνο κλινικά απαραίτητες ανώνυμες πληροφορίες (ηλικιακή ομάδα, φύλο, σχετικό ιστορικό). Θυμίστε μου επίσης: εάν πρόκειται να μοιραστώ μια εικόνα, πρέπει επίσης να καθαρίσω την κεφαλίδα DICOM και το κείμενο που είναι ενσωματωμένα στην εικόνα και να λάβω υπόψη τα δεδομένα προσώπου στις εικόνες κεφαλιού/εγκεφάλου. Κείμενο: [επικόλληση κειμένου]
Το ισχυρό μήνυμα προτροπής εξάγει το αναγνωριστικό, υπενθυμίζει ενσωματωμένα δεδομένα/κεφαλίδες και δεδομένα προσώπου.
Αντιγράψιμα πρότυπα προτροπών
ΠΡΟΤΥΠΟ ΕΛΕΓΧΟΥ ΑΝΩΝΥΜΙΩΣΗΣ Ο ρόλος σας: βοηθός ανωνυμοποίησης. Απόσπασμα όνομα, αριθμός TR ID, αριθμός πρωτοκόλλου/εξέτασης, ημερομηνία γέννησης, πληροφορίες επικοινωνίας και ιδρύματος από το κείμενο. Πληκτρολογήστε "[αφαιρέθηκε]". Αφήστε μόνο κλινικά απαιτούμενες ανώνυμες πληροφορίες. Υπενθυμίστε μου ότι εάν πρόκειται να μοιραστώ μια εικόνα, πρέπει να διαγράψω δεδομένα κεφαλίδας + ενσωμάτωσης + προσώπου. Κείμενο: [γράψτε]
ΠΡΟΤΥΠΟ ΕΡΩΤΗΜΑΤΟΣ ΕΠΙΚΥΡΩΣΗΣ ΜΟΝΤΕΛΟΥ Ο ρόλος σας: ΒΟΗΘΟΣ. Θα αξιολογήσω ένα μοντέλο AI. Δημιουργήστε τις ερωτήσεις που πρέπει να κάνω: ποιος αριθμός πληθυσμού/υπόθεση/μετρήσεις, εύρος ρυθμιστικής έγκρισης, ολοκληρώθηκε η τοπική επικύρωση, κίνδυνος μετατόπισης διανομής, παρακολούθηση έκδοσης. Η απόφαση είναι στα χέρια του ιδρύματος. Πληροφορίες μοντέλου: [καλοκαίρι]
HETICS/BIAS CHECK TEMPLATEI θα σας δώσει το πλαίσιο χρήσης ενός μοντέλου AI. Αξιολόγηση για αλγοριθμική μεροληψία (η οποία μπορεί να λειτουργεί ανεπαρκώς σε ομάδες), συναίνεση/διαφάνεια ασθενών, υπευθυνότητα και δίκαιη πρόσβαση. Γράψτε την ερώτηση που πρέπει να κάνει το ίδρυμα κάτω από κάθε επικεφαλίδα. Περιεχόμενο: [γράψτε]
ΠΡΟΤΥΠΟ ΑΠΟΡΡΗΤΟΥ ΡΟΗΣ ΔΕΔΟΜΕΝΩΝ Θα σας δώσω ένα σενάριο αποστολής δεδομένων σε ένα εργαλείο τεχνητής νοημοσύνης. Δημιουργήστε μια λίστα ελέγχου που θα σας ρωτάει πού πηγαίνουν τα δεδομένα, εάν είναι αποθηκευμένα, εάν χρησιμοποιούνται στην εκπαίδευση μοντέλων και το καθεστώς DPA/νομικής βάσης. Υπενθυμίστε μας την υποχρέωση ανωνυμοποίησης για εξωτερικά οχήματα. Σενάριο: [γράψτε]
Συνήθη λάθη
- Απλώς καθαρίστε την κεφαλίδα και ξεχάστε το ενσωματωμένο κείμενο. Η εικόνα εξακολουθεί να φέρει ταυτότητα.
- Αγνοώντας τα δεδομένα προσώπου. Ένα άτομο μπορεί να αναγνωριστεί από τρισδιάστατες εικόνες κεφαλιού/εγκεφάλου.
- Αντικατάσταση ρυθμιστικής έγκρισης για τοπική επικύρωση. Η συγκατάθεση υποδηλώνει εύρος. Δεν εγγυάται απόδοση στα δικά σας δεδομένα.
- Δεν ρωτάω για αλγοριθμική μεροληψία. Το μοντέλο μπορεί να λειτουργήσει άσχημα για ορισμένες ομάδες, διευρύνοντας την ανισότητα.
- Μεταβίβαση της ευθύνης στο AI. Η υπογραφή είναι με τον ακτινολόγο. Η ευθύνη για το λάθος ανήκει στους ανθρώπους.
Συμβουλή: Πριν στείλετε δεδομένα εκτός του ιδρύματος, κάντε μια ερώτηση: "Εάν αυτά τα δεδομένα διέρρευσαν, θα μπορούσε να εντοπιστεί ένας ασθενής;" Εάν η απάντηση είναι «ναι» ή «δεν είμαι σίγουρος», τα δεδομένα δεν είναι ακόμη ανώνυμα — μην τα στείλετε.
Συνοπτικά
Οι ακτινολογικές εικόνες και αναφορές είναι ειδικά προσωπικά δεδομένα και απαιτούν την υψηλότερη προστασία στο πλαίσιο του KVKK/GDPR. Τα δεδομένα DICOM φέρουν ταυτότητα σε δύο επίπεδα — την κεφαλίδα και το κείμενο που είναι ενσωματωμένα στην εικόνα — και κανένα στοιχείο δεν φεύγει από την επιχείρηση χωρίς να καθαριστούν και τα δύο, καθώς και δεδομένα προσώπου εάν είναι απαραίτητο. Για να εμπιστευτείτε ένα μοντέλο, αξιολογείται η επικύρωσή του, το επίπεδο αποδεικτικών στοιχείων, η ρυθμιστική έγκριση και η τοπική επικύρωση, ιδιαίτερα στη δική σας συσκευή/πληθυσμό. Η ρυθμιστική έγκριση δεν υποκαθιστά την τοπική επαλήθευση. Στην ηθική διάσταση, αμφισβητούνται η αλγοριθμική μεροληψία, η συναίνεση του ασθενούς, η διαφάνεια, η δίκαιη πρόσβαση και η ευθύνη. Σε όλες τις περιπτώσεις η υπογραφή, η ευθύνη και η τελική απόφαση ανήκουν στον ακτινολόγο.
Εργασία εφαρμογής
Δημιουργήστε ένα κείμενο γεγονότων και ένα σενάριο κοινής χρήσης εικόνων. Ανωνυμοποιήστε το κείμενο με το πρότυπο "Έλεγχος ανωνυμοποίησης" και τα βήματα ελέγχου κεφαλίδας λίστας/ενσωματωμένο κείμενο/δεδομένων προσώπου. Στη συνέχεια, αξιολογήστε ένα μοντέλο που χρησιμοποιείτε (ή εξετάζετε) με το πρότυπο «Ερώτημα επικύρωσης μοντέλου»: πληθυσμός, εύρος επικύρωσης, κατάσταση τοπικής επικύρωσης. Τέλος, με το πρότυπο «Ηθική/Έλεγχος μεροληψίας», καταγράψτε σε ποιες ομάδες μπορεί να λειτουργήσει ανεπαρκώς αυτό το μοντέλο και ζητήματα διαφάνειας/υπευθυνότητας.
λίστα ελέγχου
- [ ] Διέγραψα τα πεδία ID στην κεφαλίδα DICOM.
- [ ] Κάλυψα/περικόψα το εγγεγραμμένο κείμενο στην εικόνα.
- [ ] Αξιολόγησα τον κίνδυνο δεδομένων προσώπου σε εικόνες κεφαλιού/εγκεφάλου.
- [ ] Ανωνυμοποίησα το κείμενο αναφοράς/ιστορίας (όνομα, ταυτότητα, πρωτόκολλο, ημερομηνία γέννησης).
- [ ] Αμφισβήτησα τη ροή δεδομένων και την DPA/νομική βάση για το εξωτερικό εργαλείο.
- [ ] Έλεγξα την τοπική επικύρωση και το εύρος επικύρωσης του μοντέλου.
- [ ] Αξιολόγησα την αλγοριθμική μεροληψία, τη διαφάνεια και την υπευθυνότητα. Έχω την υπογραφή.