Kasu:
- Võimalus tuvastada DICOM-piltide manustatud identifitseerimisteavet (päis ja sissepõletatud andmed) ning rakendada anonüümseks muutmise ja turvalise jagamise reegleid
- Võimalus kriitiliselt hinnata tehisintellekti mudeli valideerimist, tõendite taset, regulatiivset heakskiitu (CE/määrus) ja kohalikku valideerimist
- Võime käsitleda eetilisi probleeme, nagu algoritmiline eelarvamus, patsiendi nõusolek, vastutus ja läbipaistvus pildistamise kontekstis
Radioloogilised andmed on üks tundlikumaid isikuandmete liike. Pilt ei anna edasi ainult haigust, vaid ka seda, kelle haigus see on; aju MRI suudab isiku tuvastada näo rekonstrueerimise teel, DICOM-fail salvestab oma päisesse patsiendi nime, identifitseerimisnumbri ja sünnikuupäeva. Tehisintellekti ajastul on lihtne neid andmeid laadida tööriista, jagada või kasutada modelli koolitamiseks — ja just see lihtsus tekitab suurima privaatsusriski. Selles üksuses arutame lõpuni DICOMi anonüümseks muutmise, KVKK/privaatsuse, mudeli valideerimise ja eetika küsimusi.
Põhiprintsiip: radioloogilised pildid ja aruanded on erilised isikuandmed. DICOM-i päises olevad ja pildile manustatud identiteediandmed ei sisene anonüümseks muutmata välisesse tööriista. Mudeli töökindlus; Valideerimist hinnatakse tõendite taseme, regulatiivse heakskiidu ja kohaliku kontrolli alusel. Vastutus, allkiri ja lõplik otsus lasub alati radioloogil.
DICOM kannab identiteeti kahes kihis
Erinevalt teistest terviseandmetest kannavad radioloogilised andmed identiteeti kahes erinevas kihis ja anonüümseks muutmine on puudulik, ilma mõlemat kustutamata.
1. DICOM-i päis: struktureeritud väljad pildifaili alguses – patsiendi nimi, tunnus/protokolli number, sünniaeg, sugu, asutus, uuringu kuupäev, seade. Neid alasid saab tööriistaga kustutada/maskeerida, kuid unustamise korral kannab kujutis jätkuvalt identifitseerimist, samal ajal kui seda peetakse "anonüümseks".
2. Sissepõletatud andmed: mõnel pildil – eriti ultrahelil, fluoroskoopia ekraanipiltidel, välistel skaneeringutel – kirjutatakse patsiendi teave otse pikslitesse. Päise tühjendamine ei eemalda seda; manustatud tekst peaks olema maskeeritud (kaetud) või see ala tuleks kärpida.
Lisaks näo taastamise risk: nägu saab kolmemõõtmeliselt rekonstrueerida kõrge eraldusvõimega pea/aju CT-de ja MRI-de põhjal; Ka see on identiteedi avalikustamise vorm ja mõnes kontekstis nõuab "rikkumist".
kiht
kus
Kuidas puhastada
kui unustatakse
DICOM-i päis
Faili pealkiri
Anonüümseks muutmise tööriist
ID jääb avatuks
manustatud tekst
pikslisisene
Maskeerimine/kärpimine
Pilt kannab identiteeti
näoandmed
3D peavaade
rikkumine
Näo järgi äratuntav
Teata tekst
RIS/tekst
Nime/numbri eemaldamine
Isik tuvastatakse
KVKK ja turvaline jagamine
Türkiye's käsitleb KVKK (isikuandmete kaitse seadus) terviseandmeid kui "eriloomulisi isikuandmeid" kõrgeimal kaitsetasemel; Euroopas on selle ekvivalent GDPR. Põhireeglid: töödelda andmeid ainult nii palju, kui see on vajalikuks otstarbeks vajalik; anonüümsuse kaotamine väljaspool asutust; Kui kavatsete seda mudelikoolitusel kasutada, esitage vajadusel õiguslik alus ja selgesõnaline nõusolek; Tea, kuhu teie andmed lähevad. Anonüümseks muutmata piltide/aruannete üleslaadimine avalikku tehisintellekti tööriista on andmetega seotud rikkumine. Eelistada tuleks ettevõtte tööriistu, millel on andmetöötlusleping (DPA), mis ei kasuta teie andmeid mudelikoolitusel ja eelistatavalt töötavad ettevõttesiseselt/kohalikult.
Tähelepanu. Ütlemine "kustutasin just perekonnanime" või "tööriist on juba turvaline" ei ole anonüümseks muutmine. Ükski teave ei lähe asutusest välja, eemaldamata kõiki nime, TR ID, protokolli/uuringu numbri, sünnikuupäeva, kontaktisiku, asutuse ja manustatud/päise identiteedi andmeid. Anonüümseks muutmine ei ole harjumus ega ühekordne ülesanne.
Mudeli valideerimine: millal mudelit usaldada
Ei piisa, kui öelda, et mudel "töötab"; On vaja küsida, kuidas, kus ja kui palju see töötab.
- Valideerimine ja tõendite tase: millises populatsioonis, mitmel juhul ja milliste mõõdikutega (tundlikkus, spetsiifilisus, valenegatiivne) mudelit testiti? Kas on avaldatud sõltumatuid tõendeid?
- Regulatiivne heakskiit: kas toode on meditsiiniseadmena heaks kiidetud (nt CE-märgis, asjakohane regulatiivne kinnitus)? Millist kasutust luba hõlmab?
- Kohalik kinnitamine: kõige kriitilisem samm. Kas mudelit on testitud teie enda seadmes, teie protokollis, teie enda populatsioonis? Jaotumise triivi (jõudluse vähenemine treeningtingimustest eemaldumisel) ei nähta ilma kohaliku valideerimiseta.
- Jälgitavus: kas mudeli versiooni, värskendusi ja jõudluse muutusi jälgitakse?
Eetiline mõõde
Algoritmiline eelarvamus: kui mudelit õpetatakse konkreetsele populatsioonile, võib see teistes rühmades (vanus, sugu, rahvus, haruldane haigus) halvemini toimida ja suurendada ebavõrdsust. Patsiendi nõusolek ja läbipaistvus: kas patsient peaks teadma, et tema diagnoosimisel kasutatakse tehisintellekti; Kuidas institutsioon selle läbipaistvaks teeb? Vastutus: kui tehisintellekti abil tehtud näit teeb vea, siis kes vastutab – vastus on allkirjastanud radioloogil; AI ei võta vastutust üle. Õiglane juurdepääs: kui mõnes keskuses on tehisintellekti tööriistad saadaval, teistes mitte, võib see olla ebavõrdsuse allikas.
kolm minikarpi
Juhtum 1 – manustatud teksti rikkumine. Arst laadib üles huvitava ultrahelipildi, puhastab selle päise ja laadib selle üles avalikku tehisintellekti tööriista. Kuid pildi nurgas on pikslisse söövitatud patsiendi nimi ja protokolli number; Kuigi päis oli puhas, kandis see manustatud postituse ID-d. Asutus puutub kokku KVKK teatega. Õige viis oli varjatud ala maskeerida ja seda niimoodi jagada.
Juhtum 2 – levitamine ilma kohaliku kontrollita. Keskus tutvustab regulaarselt luu vanuse mudelit, mis on koolitatud ülemere elanikkonnale, ilma seda oma patsiendirühmas kunagi kinnitamata. Kuud hiljem on märgata, et mudel on oma populatsioonides süstemaatiliselt kallutatud. Kohaliku kontrollimise korral oleks see algusest peale näha. Õppetund: isegi regulatiivne heakskiit ei asenda kohalikku kontrolli.
3. juhtum – teatage anonüümseks muutmisest. Radioloog soovib oma kolleegiga rasket juhtumit AI-tööriista kaudu arutada. Ta kirjutab loo ümber sõnadega "62-aastane naine, teadaolev rinnavähi ajalugu" asemel "Ayşe Yılmaz, protokoll 2024-114523, rinnavähk"; Jagab pilti, mille DICOM-i päis on kustutatud ja manustatud tekst maskeeritud. Toimub kliiniline arutelu, isikuid ei avaldata. Õige anonüümseks muutmine võimaldas AI ohutut kasutamist.
Nõrk viip / Tugev viip
Nõrk viip:
Ayşe Yılmaz, TC 123..., protokoll 2024-114523, rinnavähk, tõlgendage seda MRI-d.
Identiteeti jagatakse avalikult; Tegemist on KVKK rikkumisega, see oleks pidanud enne viipa kirjutamist lõpetama.
Võimas viip:
Teie roll: anonüümseks muutmise kontrolli assistent. Eemaldage allolevast tekstist oma nimi, TR ID, protokolli/eksami number, sünniaeg, kontaktandmed ja asutuse andmed; asendage see tekstiga "[eemaldatud]". Jätke ainult kliiniliselt vajalik anonüümne teave (vanuserühm, sugu, asjakohane ajalugu). Samuti tuletage meelde: kui kavatsen pilti jagada, pean kustutama ka DICOM-i päise ja pildile manustatud teksti ning arvestama pea-/ajupiltides näoandmeid. Tekst: [kleebi tekst]
Võimas viip ekstraktib ID, tuletab meelde manustatud/päise ja näoandmeid.
Kopeeritavad viipade mallid
ANONÜMISEERIMISE JUHTIMISE MALL.Teie roll: anonüümseks muutmise assistent. Väljavõte tekstist nimi, TR ID number, protokolli/eksami number, sünniaeg, kontakt- ja asutuse andmed; Sisestage "[eemaldatud]". Jätke ainult kliiniliselt nõutav anonüümne teave. Tuletage mulle meelde, et kui kavatsen pilti jagada, pean kustutama päise + manustamise + näoandmed. Tekst: [kirjuta]
MUDELI KINNITAMISE PÄRINGU MALL.Teie roll: ABI. Hindan AI mudelit. Genereerige küsimused, mida pean küsima: milline populatsioon/juhtumite arv/mõõdikud, regulatiivse heakskiidu ulatus, kas kohalik valideerimine on tehtud, levitamise oht, versioonide jälgimine. Otsus on asutuse kätes. Mudeliteave: [suvi]
EETIKA/BIAS-KONTROLLI TEMPLATEI annab teile AI-mudeli kasutamise konteksti. Hinnake algoritmilist eelarvamust (mis võib rühmades halvasti töötada), patsiendi nõusolekut/läbipaistvust, vastutust ja õiglast juurdepääsu; Kirjutage iga pealkirja alla küsimus, mida asutus peaks esitama. Kontekst: [kirjutada]
ANDMEVOO PRIVAATSUSE TEMPLATEI annab teile stsenaariumi andmete saatmiseks tehisintellekti tööriista. Looge kontrollnimekiri, mis küsib, kuhu andmed lähevad, kas neid hoitakse, kas neid kasutatakse mudelikoolituses ja nende DPA/õigusliku aluse olekut. Tuletage meile meelde väliste sõidukite anonüümseks muutmise kohustust. Stsenaarium: [kirjutada]
Levinud vead
- Lihtsalt tühjendage päis ja unustage manustatud tekst. Pilt kannab endiselt identiteeti.
- Näoandmete ignoreerimine. Inimese saab ära tunda pea/aju 3D-piltide järgi.
- Kohaliku valideerimise asendamine regulatiivse heakskiiduga. Nõusolek näitab ulatust; See ei garanteeri teie enda andmete toimivust.
- Ei küsi algoritmilisest eelarvamusest. Mudel võib mõne rühma puhul halvasti töötada, suurendades ebavõrdsust.
- Vastutuse üleandmine AI-le. Allkiri on radioloogi juures; Vastutus vigade eest lasub inimestel.
Näpunäide: Enne mis tahes andmete saatmist väljapoole asutust, esitage üks küsimus: "Kui need andmed lekkisid, kas oleks võimalik patsienti tuvastada?" Kui vastus on "jah" või "ei ole kindel", ei ole andmed veel anonüümsed – ärge saatke.
Kokkuvõttes
Radioloogilised pildid ja raportid on erilised isikuandmed ja nõuavad KVKK/GDPR raames kõrgeimat kaitset. DICOM-i andmed kannavad identiteeti kahes kihis – päises ja pildile manustatud tekstis – ning ükski teave ei välju ettevõttest nii, et neid mõlemaid ja vajadusel näoandmeid puhastataks. Mudeli usaldamiseks hinnatakse selle valideerimist, tõendite taset, regulatiivset heakskiitu ja kohalikku valideerimist, eriti teie enda seadmes/populatsioonis; Regulatiivne heakskiit ei asenda kohalikku kontrolli. Eetilises mõõtmes seatakse kahtluse alla algoritmiline eelarvamus, patsiendi nõusolek, läbipaistvus, õiglane juurdepääs ja vastutus. Kõigil juhtudel kuulub allkiri, vastutus ja lõplik otsus radioloogile.
Rakenduse ülesanne
Looge faktitekst ja piltide jagamise stsenaarium. Anonüümseks muutke tekst anonüümseks muutmise kontrollimise malli ja päise/manustatud teksti/näoandmete kontrollimise sammude loendi abil. Seejärel hinnake mudelit, mida kasutate (või kaalute) malliga „Model Validation Query”: populatsioon, valideerimise ulatus, kohalik valideerimise olek. Lõpuks kirjutage malliga „Ethics/Bias Control” üles, millistes rühmades see mudel võib halvasti töötada, ja küsimusi läbipaistvuse/vastutavuse kohta.
kontrollnimekiri
- [ ] Tühjendasin DICOM-i päises olevad ID-väljad.
- [ ] Maskeerisin/kärpisin pildil sissepõletatud teksti.
- [ ] Hindasin näoandmete riski pea/aju piltidel.
- [ ] Tegin raporti/loo teksti anonüümseks (nimi, ID, protokoll, sünniaeg).
- [ ] Seadsin kahtluse alla välise tööriista andmevoo ja DPA/õigusliku aluse.
- [ ] Kontrollisin mudeli kohalikku valideerimist ja valideerimise ulatust.
- [ ] Hindasin algoritmilist erapoolikust, läbipaistvust ja vastutust; Mul on allkiri.