लाभ:
- DICOM छवियों में एम्बेडेड पहचान जानकारी (हेडर और बर्न-इन डेटा) को पहचानने और अज्ञातीकरण और सुरक्षित साझाकरण नियम लागू करने की क्षमता
- एआई मॉडल की मान्यता, साक्ष्य के स्तर, नियामक अनुमोदन (सीई/विनियमन) और स्थानीय मान्यता का गंभीर मूल्यांकन करने की क्षमता
- इमेजिंग के संदर्भ में एल्गोरिथम पूर्वाग्रह, रोगी की सहमति, जिम्मेदारी और पारदर्शिता जैसे नैतिक मुद्दों को संबोधित करने की क्षमता
रेडियोलॉजिकल डेटा व्यक्तिगत डेटा के सबसे संवेदनशील प्रकारों में से एक है। एक छवि न केवल एक बीमारी बताती है, बल्कि यह किसकी बीमारी है; एक मस्तिष्क एमआरआई चेहरे के पुनर्निर्माण के माध्यम से किसी व्यक्ति की पहचान कर सकता है, एक डीआईसीओएम फ़ाइल अपने हेडर में रोगी का नाम, पहचान संख्या और जन्म तिथि संग्रहीत करती है। कृत्रिम बुद्धिमत्ता के युग में, इस डेटा को किसी टूल में लोड करना, इसे साझा करना, या किसी मॉडल को प्रशिक्षित करने के लिए इसका उपयोग करना आसान है - और यह वास्तव में यही आसानी है जो सबसे बड़ा गोपनीयता जोखिम पैदा करती है। इस इकाई में, हम DICOM गुमनामीकरण, KVKK/गोपनीयता, मॉडल सत्यापन और नैतिकता के मुद्दों पर शुरू से अंत तक चर्चा करेंगे।
मुख्य सिद्धांत: रेडियोलॉजिकल छवियां और रिपोर्ट विशेष व्यक्तिगत डेटा हैं। DICOM हेडर में और छवि में एम्बेडेड पहचान डेटा अज्ञात किए बिना किसी भी बाहरी उपकरण में प्रवेश नहीं करता है। किसी मॉडल की विश्वसनीयता; सत्यापन का मूल्यांकन साक्ष्य के स्तर, नियामक अनुमोदन और स्थानीय सत्यापन द्वारा किया जाता है। जिम्मेदारी, हस्ताक्षर और अंतिम निर्णय हमेशा रेडियोलॉजिस्ट का होता है।
DICOM दो परतों में पहचान रखता है
रेडियोलॉजिकल डेटा, अन्य स्वास्थ्य डेटा के विपरीत, पहचान को दो अलग-अलग परतों में रखता है और दोनों को साफ़ किए बिना गुमनामीकरण अधूरा है।
1. DICOM हेडर: छवि फ़ाइल की शुरुआत में संरचित फ़ील्ड - रोगी का नाम, पहचान/प्रोटोकॉल नंबर, जन्म तिथि, लिंग, संस्थान, परीक्षा तिथि, उपकरण। इन क्षेत्रों को एक उपकरण से हटाया/मास्क किया जा सकता है, लेकिन अगर भूल गए तो छवि "गुमनाम" समझी जाने पर पहचान जारी रखेगी।
2. बर्न-इन डेटा: कुछ छवियों में - विशेष रूप से अल्ट्रासाउंड, फ्लोरोस्कोपी स्क्रीन कैप्चर, बाहरी स्कैन - रोगी की जानकारी सीधे पिक्सेल में लिखी जाती है। हेडर साफ़ करने से यह नहीं हटता; एम्बेडेड टेक्स्ट को मास्क किया जाना चाहिए (कवर किया जाना चाहिए) या उस क्षेत्र को क्रॉप किया जाना चाहिए।
इसके अतिरिक्त, चेहरे के पुनर्निर्माण का जोखिम: चेहरे को उच्च-रिज़ॉल्यूशन वाले सिर/मस्तिष्क सीटी और एमआरआई से त्रि-आयामी रूप से पुनर्निर्माण किया जा सकता है; यह भी, पहचान प्रकटीकरण का एक रूप है और, कुछ संदर्भों में, "विरूपण" की आवश्यकता होती है।
परत
कहाँ
सफाई कैसे करें
अगर भूल गए
DICOM हेडर
फ़ाइल शीर्षक
गुमनामीकरण उपकरण
आईडी खुली रहती है
एम्बेडेड पाठ
इंट्रा पिक्सेल
मास्किंग/काटना
छवि पहचान रखती है
चेहरा डेटा
3डी हेड व्यू
विरूपित करना
चेहरे से पहचाना जा सकता है
रिपोर्ट पाठ
आरआईएस/पाठ
नाम/नंबर हटाया जा रहा है
व्यक्ति की पहचान हो गयी है
KVKK और सुरक्षित साझाकरण
तुर्किये में, केवीकेके (पर्सनल डेटा प्रोटेक्शन लॉ) स्वास्थ्य डेटा को सुरक्षा के उच्चतम स्तर पर "विशेष प्रकृति के व्यक्तिगत डेटा" के रूप में मानता है; यूरोप में, इसका समकक्ष जीडीपीआर है। बुनियादी नियम: डेटा को केवल उतना ही संसाधित करें जितना आवश्यक उद्देश्य के लिए आवश्यक हो; संस्था के बाहर गुमनामीकरण; यदि आप इसे मॉडल प्रशिक्षण में उपयोग करने जा रहे हैं, तो यदि आवश्यक हो तो कानूनी आधार और स्पष्ट सहमति प्रदान करें; जानें कि आपका डेटा कहां जाता है. सार्वजनिक एआई टूल पर गैर-गुमनाम छवियां/रिपोर्ट अपलोड करना डेटा उल्लंघन है। कॉर्पोरेट उपकरण जिनके पास डेटा प्रोसेसिंग समझौता (डीपीए) है, वे आपके डेटा का उपयोग मॉडल प्रशिक्षण में नहीं करते हैं, और अधिमानतः इन-हाउस/स्थानीय रूप से काम करने को प्राथमिकता दी जानी चाहिए।
ध्यान दें: यह कहना कि "मैंने अभी अंतिम नाम हटा दिया है" या "टूल पहले से ही सुरक्षित है" गुमनामीकरण नहीं है। नाम, टीआर आईडी, प्रोटोकॉल/परीक्षा संख्या, जन्म तिथि, संपर्क, संस्थान और एम्बेडेड/हेडर पहचान डेटा को हटाए बिना कोई भी डेटा संस्थान के बाहर नहीं जाता है। गुमनाम रहना कोई आदत नहीं है, कोई एक बार का काम नहीं है।
मॉडल सत्यापन: किसी मॉडल पर कब भरोसा करना चाहिए
यह कहना पर्याप्त नहीं है कि एक मॉडल "काम करता है"; ये कैसे, कहां और कितना काम करता है ये पूछना जरूरी है.
- सत्यापन और साक्ष्य का स्तर: किस जनसंख्या में, कितने मामलों में, किस मैट्रिक्स (संवेदनशीलता, विशिष्टता, गलत नकारात्मक) के साथ मॉडल का परीक्षण किया गया था? क्या कोई प्रकाशित, स्वतंत्र साक्ष्य है?
- विनियामक अनुमोदन: क्या उत्पाद को चिकित्सा उपकरण के रूप में अनुमोदित किया गया है (उदाहरण के लिए सीई मार्किंग, प्रासंगिक विनियामक अनुमोदन)? अनुमोदन में कौन सा उपयोग शामिल है?
- स्थानीय सत्यापन: सबसे महत्वपूर्ण कदम. क्या मॉडल का परीक्षण आपके अपने डिवाइस, आपके अपने प्रोटोकॉल, आपकी अपनी आबादी पर किया गया है? वितरण बहाव (प्रशिक्षण स्थितियों से दूर जाने पर प्रदर्शन में कमी) स्थानीय सत्यापन के बिना नहीं देखा जाता है।
- पता लगाने की क्षमता: क्या मॉडल संस्करण, अपडेट और प्रदर्शन परिवर्तन को ट्रैक किया जाता है?
नैतिक आयाम
एल्गोरिथम पूर्वाग्रह: यदि मॉडल को किसी विशेष आबादी पर प्रशिक्षित किया जाता है, तो यह अन्य समूहों (आयु, लिंग, जातीयता, दुर्लभ बीमारी) में खराब प्रदर्शन कर सकता है और असमानता बढ़ा सकता है। रोगी की सहमति और पारदर्शिता: क्या रोगी को पता होना चाहिए कि उसके निदान में कृत्रिम बुद्धिमत्ता का उपयोग किया जा रहा है; संस्था इसे कैसे पारदर्शी बनाती है? उत्तरदायित्व: यदि एआई-सहायता प्राप्त रीडिंग में कोई त्रुटि होती है, तो कौन जिम्मेदार है - इसका उत्तर उस रेडियोलॉजिस्ट के पास है जिसने हस्ताक्षर किए हैं; एआई जिम्मेदारी नहीं लेता। उचित पहुंच: यदि एआई उपकरण कुछ केंद्रों में उपलब्ध हैं और अन्य में नहीं, तो यह असमानता का एक स्रोत हो सकता है।
तीन मिनी मामले
केस 1 - एंबेडेड टेक्स्ट उल्लंघन। एक चिकित्सक एक दिलचस्प अल्ट्रासाउंड छवि अपलोड करता है, उसके हेडर को साफ करता है, और इसे एक सार्वजनिक एआई टूल पर अपलोड करता है। लेकिन छवि के कोने में रोगी का नाम और प्रोटोकॉल नंबर पिक्सेल में अंकित है; भले ही हेडर साफ था, इसमें एक एम्बेडेड पोस्ट आईडी थी। संस्था को KVKK अधिसूचना का सामना करना पड़ता है। सही तरीका यह था कि एम्बेडेड क्षेत्र को छुपाया जाए और इसे इस तरह साझा किया जाए।
केस 2 - स्थानीय सत्यापन के बिना प्रसार। एक केंद्र नियमित रूप से विदेशी आबादी पर प्रशिक्षित अस्थि आयु मॉडल को अपने रोगी समूह में मान्य किए बिना पेश करता है। महीनों बाद, यह देखा गया कि मॉडल अपनी आबादी में व्यवस्थित रूप से पक्षपाती है। यदि स्थानीय स्तर पर सत्यापन किया जाए तो यह शुरुआत से ही देखा जा सकेगा। सबक: विनियामक अनुमोदन भी स्थानीय सत्यापन का विकल्प नहीं है।
केस 3 - गुमनामीकरण की रिपोर्ट करें। एक रेडियोलॉजिस्ट एआई टूल के माध्यम से अपने सहकर्मी के साथ एक कठिन मामले पर चर्चा करना चाहता है। उन्होंने कहानी को "आयसे यिलमाज़, प्रोटोकॉल 2024-114523, स्तन कैंसर" के बजाय "62 वर्षीय महिला, स्तन कैंसर का ज्ञात इतिहास" के रूप में फिर से लिखा है; DICOM हेडर साफ़ करके और एम्बेडेड टेक्स्ट छिपाकर छवि साझा करता है। क्लिनिकल चर्चा होती है, कोई पहचान उजागर नहीं की जाती. उचित गुमनामी ने सुरक्षित एआई उपयोग को सक्षम किया।
कमजोर संकेत/मजबूत संकेत
कमजोर संकेत:
आयसे यिलमाज़, टीसी 123..., प्रोटोकॉल 2024-114523, स्तन कैंसर, इस एमआरआई की व्याख्या करें।
पहचान खुलेआम साझा की जाती है; यह केवीकेके उल्लंघन है, इसे संकेत लिखे जाने से पहले रुक जाना चाहिए था।
शक्तिशाली संकेत:
आपकी भूमिका: अज्ञातीकरण नियंत्रण सहायक। नीचे दिए गए पाठ से अपना नाम, टीआर आईडी, प्रोटोकॉल/परीक्षा संख्या, जन्म तिथि, संपर्क और संस्थान की जानकारी हटा दें; इसे "[हटाया गया]" से बदलें। केवल चिकित्सकीय रूप से आवश्यक अनाम जानकारी (आयु समूह, लिंग, प्रासंगिक इतिहास) छोड़ें। मुझे यह भी याद दिलाएं: यदि मैं एक छवि साझा करने जा रहा हूं, तो मुझे छवि में एम्बेडेड डीआईसीओएम हेडर और टेक्स्ट को साफ़ करना होगा, और सिर/मस्तिष्क छवियों में चेहरे के डेटा पर विचार करना होगा। पाठ: [पाठ चिपकाएँ]
शक्तिशाली प्रॉम्प्ट आईडी निकालता है, एम्बेडेड/हेडर और फेस डेटा की याद दिलाता है।
कॉपी करने योग्य शीघ्र टेम्पलेट
अनामीकरण नियंत्रण टेम्पलेटआपकी भूमिका: अनामीकरण सहायक। पाठ से नाम, टीआर आईडी नंबर, प्रोटोकॉल/परीक्षा संख्या, जन्मतिथि, संपर्क और संस्थान की जानकारी निकालें; "[हटाया गया]" टाइप करें। केवल चिकित्सीय दृष्टि से आवश्यक अनाम जानकारी ही छोड़ें। मुझे याद दिलाएं कि अगर मैं कोई छवि साझा करने जा रहा हूं, तो मुझे हेडर + एंबेड + फेस डेटा साफ़ करना होगा। पाठ: [लिखें]
मॉडल सत्यापन क्वेरी टेम्पलेटआपकी भूमिका: सहायक। मैं एक एआई मॉडल का मूल्यांकन करूंगा। वे प्रश्न उत्पन्न करें जो मुझे पूछने हैं: जनसंख्या/मामले की संख्या/मेट्रिक्स, विनियामक अनुमोदन का दायरा, क्या स्थानीय सत्यापन किया गया है, वितरण बहाव का जोखिम, संस्करण ट्रैकिंग। निर्णय संस्था के हाथ में है. मॉडल जानकारी: [ग्रीष्म]
नैतिकता/पूर्वाग्रह जांच टेम्पलेट आपको एआई मॉडल का उपयोग करने का संदर्भ देगा। एल्गोरिथम पूर्वाग्रह (जो समूहों में खराब काम कर सकता है), रोगी की सहमति/पारदर्शिता, जवाबदेही और निष्पक्ष पहुंच का मूल्यांकन करें; प्रत्येक शीर्षक के अंतर्गत वह प्रश्न लिखें जो संस्थान को पूछना चाहिए। प्रसंग: [लिखें]
डेटा प्रवाह गोपनीयता टेम्पलेट आपको एआई टूल पर डेटा भेजने का एक परिदृश्य देगा। एक चेकलिस्ट बनाएं जो पूछे कि डेटा कहां जाता है, क्या इसे संग्रहीत किया जाता है, क्या इसका उपयोग मॉडल प्रशिक्षण में किया जाता है, और इसकी डीपीए/कानूनी आधार स्थिति क्या है। बाहरी वाहनों के लिए अज्ञातीकरण दायित्व के बारे में हमें याद दिलाएँ। स्क्रिप्ट: [लिखें]
सामान्य गलतियाँ
- बस हेडर साफ़ करें और एम्बेडेड टेक्स्ट के बारे में भूल जाएं। छवि अभी भी पहचान रखती है।
- चेहरे के डेटा को नजरअंदाज करना. किसी व्यक्ति को सिर/मस्तिष्क की 3डी छवियों से पहचाना जा सकता है।
- स्थानीय सत्यापन के लिए विनियामक अनुमोदन को प्रतिस्थापित करना। सहमति दायरे को इंगित करती है; यह आपके अपने डेटा पर प्रदर्शन की गारंटी नहीं देता है.
- एल्गोरिथम पूर्वाग्रह के बारे में नहीं पूछ रहा हूँ। मॉडल कुछ समूहों के लिए खराब काम कर सकता है, जिससे असमानता बढ़ सकती है।
- एआई को जिम्मेदारी हस्तांतरित करना। हस्ताक्षर रेडियोलॉजिस्ट के पास है; त्रुटि की जिम्मेदारी मनुष्य की है।
टिप: संस्थान के बाहर कोई भी डेटा भेजने से पहले, एक प्रश्न पूछें: "यदि यह डेटा लीक हो गया होता, तो क्या किसी मरीज की पहचान की जा सकती थी?" यदि उत्तर "हां" या "निश्चित नहीं" है, तो डेटा अभी तक गुमनाम नहीं है - इसे न भेजें।
सारांश
रेडियोलॉजिकल छवियां और रिपोर्ट विशेष व्यक्तिगत डेटा हैं और केवीकेके/जीडीपीआर के दायरे में उच्चतम सुरक्षा की आवश्यकता होती है। DICOM डेटा दो परतों में पहचान रखता है - हेडर और छवि में एम्बेडेड टेक्स्ट - और कोई भी डेटा एंटरप्राइज़ को स्क्रब किए बिना नहीं छोड़ता है, साथ ही यदि आवश्यक हो तो फेस डेटा भी। किसी मॉडल पर भरोसा करने के लिए, उसकी मान्यता, साक्ष्य का स्तर, विनियामक अनुमोदन और स्थानीय मान्यता, विशेष रूप से आपके अपने डिवाइस/जनसंख्या में, का मूल्यांकन किया जाता है; विनियामक अनुमोदन स्थानीय सत्यापन का विकल्प नहीं है। नैतिक आयाम में, एल्गोरिथम पूर्वाग्रह, रोगी की सहमति, पारदर्शिता, निष्पक्ष पहुंच और जिम्मेदारी पर सवाल उठाए जाते हैं। सभी मामलों में हस्ताक्षर, जिम्मेदारी और अंतिम निर्णय रेडियोलॉजिस्ट का होता है।
आवेदन कार्य
एक तथ्यात्मक पाठ और एक छवि साझाकरण परिदृश्य बनाएं। "अनामीकरण जाँच" टेम्प्लेट और सूची शीर्षलेख/एम्बेडेड पाठ/चेहरा डेटा जाँच चरणों के साथ पाठ को अज्ञात करें। फिर "मॉडल सत्यापन क्वेरी" टेम्पलेट के साथ उस मॉडल का मूल्यांकन करें जिसका आप उपयोग कर रहे हैं (या विचार कर रहे हैं): जनसंख्या, सत्यापन दायरा, स्थानीय सत्यापन स्थिति। अंत में, "नैतिकता/पूर्वाग्रह नियंत्रण" टेम्पलेट के साथ, लिखें कि यह मॉडल किन समूहों में खराब काम कर सकता है और पारदर्शिता/जवाबदेही के प्रश्न।
चेकलिस्ट
- [ ] मैंने DICOM हेडर में आईडी फ़ील्ड साफ़ कर दिए हैं।
- [ ] मैंने छवि में जले हुए पाठ को छिपा दिया/काट दिया।
- [ ] मैंने सिर/मस्तिष्क छवियों में चेहरे के डेटा के जोखिम का आकलन किया।
- [ ] मैंने रिपोर्ट/कहानी पाठ (नाम, आईडी, प्रोटोकॉल, जन्म तिथि) को अज्ञात कर दिया है।
- [ ] मैंने बाहरी टूल के लिए डेटा प्रवाह और डीपीए/कानूनी आधार पर सवाल उठाया।
- [ ] मैंने मॉडल के स्थानीय सत्यापन और सत्यापन दायरे की जाँच की।
- [ ] मैंने एल्गोरिथम पूर्वाग्रह, पारदर्शिता और जवाबदेही का मूल्यांकन किया; मेरे पास हस्ताक्षर हैं.