Keuntungan:
- Kemampuan untuk mengenali informasi identifikasi yang tertanam (header dan data yang dibakar) dalam gambar DICOM dan menerapkan anonimisasi dan aturan berbagi yang aman
- Kemampuan untuk mengevaluasi secara kritis validasi, tingkat bukti, persetujuan peraturan (CE/regulasi) dan validasi lokal model AI
- Kemampuan untuk mengatasi masalah etika seperti bias algoritmik, persetujuan pasien, tanggung jawab, dan transparansi dalam konteks pencitraan
Data radiologi adalah salah satu jenis data pribadi yang paling sensitif. Sebuah gambar tidak hanya menyampaikan suatu penyakit, tetapi juga penyakit siapa itu; MRI otak dapat mengidentifikasi seseorang melalui rekonstruksi wajah, file DICOM menyimpan nama pasien, nomor identifikasi, dan tanggal lahir di headernya. Di era kecerdasan buatan, data ini mudah dimuat ke dalam alat, dibagikan, atau digunakan untuk melatih model — dan justru kemudahan inilah yang menciptakan risiko privasi terbesar. Pada unit ini, kita akan membahas masalah anonimisasi DICOM, KVKK/privasi, validasi model, dan etika secara menyeluruh.
Prinsip inti: Gambar dan laporan radiologi adalah data pribadi khusus. Data identitas di header DICOM dan tertanam dalam gambar tidak masuk ke alat eksternal apa pun tanpa dianonimkan. Keandalan suatu model; Validasi dievaluasi berdasarkan tingkat bukti, persetujuan peraturan dan verifikasi lokal. Tanggung jawab, tanda tangan, dan keputusan akhir selalu berada di tangan ahli radiologi.
DICOM membawa identitas dalam dua lapisan
Data radiologi, tidak seperti data kesehatan lainnya, membawa identitas dalam dua lapisan terpisah dan anonimisasi tidak akan lengkap tanpa menghapus keduanya.
1. Header DICOM: Bidang terstruktur di awal file gambar — nama pasien, nomor identifikasi/protokol, tanggal lahir, jenis kelamin, institusi, tanggal pemeriksaan, perangkat. Area ini dapat dihapus/ditutupi dengan suatu alat, tetapi jika dilupakan, gambar tersebut akan tetap membawa identifikasi sambil dianggap "anonim".
2. Data yang tersimpan: Pada beberapa gambar—terutama ultrasonografi, tangkapan layar fluoroskopi, pemindaian eksternal—informasi pasien ditulis langsung ke dalam piksel. Menghapus header tidak menghapus ini; teks yang disematkan harus disamarkan (ditutupi) atau area tersebut harus dipotong.
Selain itu, risiko rekonstruksi wajah: wajah dapat direkonstruksi secara tiga dimensi dari CT kepala/otak dan MRI resolusi tinggi; Hal ini juga merupakan bentuk pengungkapan identitas dan, dalam beberapa konteks, memerlukan "pengrusakan".
lapisan
dimana
Cara membersihkan
jika dilupakan
Tajuk DICOM
Judul berkas
Alat anonimisasi
ID tetap terbuka
teks tertanam
intra piksel
Penyamaran/pemangkasan
Citra membawa identitas
data wajah
Tampilan kepala 3D
merusak
Dapat dikenali dari wajahnya
Teks laporan
RIS/teks
Menghapus nama/nomor
Orang tersebut teridentifikasi
KVKK dan berbagi dengan aman
Di Türkiye, KVKK (Undang-undang Perlindungan Data Pribadi) memperlakukan data kesehatan sebagai "data pribadi yang bersifat khusus" pada tingkat perlindungan tertinggi; Di Eropa, padanannya adalah GDPR. Aturan dasar: memproses data hanya sebanyak yang diperlukan untuk tujuan yang diperlukan; de-anonimisasi di luar institusi; Jika Anda akan menggunakannya dalam pelatihan model, berikan dasar hukum dan persetujuan eksplisit jika perlu; Ketahui ke mana perginya data Anda. Mengunggah gambar/laporan yang tidak dianonimkan ke alat AI publik merupakan pelanggaran data. Alat perusahaan yang memiliki perjanjian pemrosesan data (DPA), tidak menggunakan data Anda dalam pelatihan model, dan sebaiknya bekerja sendiri/lokal.
Perhatian: Mengatakan "Saya baru saja menghapus nama belakang" atau "alat sudah aman" bukan merupakan anonimisasi. Tidak ada data yang keluar dari institusi tanpa menghapus seluruh nama, TR ID, nomor protokol/pemeriksaan, tanggal lahir, kontak, institusi dan data identitas yang tertanam/header. Anonimisasi bukanlah suatu kebiasaan, bukan tugas yang dilakukan satu kali saja.
Validasi model: kapan harus memercayai suatu model
Tidaklah cukup hanya mengatakan bahwa suatu model "berfungsi"; Kita perlu bertanya bagaimana, di mana dan berapa banyak cara kerjanya.
- Validasi dan tingkat bukti: Pada populasi manakah, dalam berapa banyak kasus, dengan metrik apa (sensitivitas, spesifisitas, negatif palsu) model diuji? Apakah ada bukti yang dipublikasikan dan independen?
- Persetujuan peraturan: Apakah produk disetujui sebagai perangkat medis (misalnya penandaan CE, persetujuan peraturan yang relevan)? Apa gunanya yang tercakup dalam persetujuan tersebut?
- Verifikasi lokal: Langkah paling penting. Apakah modelnya sudah diuji pada perangkat Anda, protokol Anda sendiri, populasi Anda sendiri? Penyimpangan distribusi (penurunan kinerja saat seseorang menjauh dari kondisi pelatihan) tidak terlihat tanpa validasi lokal.
- Ketertelusuran: Apakah versi model, pembaruan, dan perubahan kinerja dilacak?
Dimensi etika
Bias algoritmik: Jika model ini diterapkan pada populasi tertentu, kinerja model tersebut mungkin akan lebih buruk pada kelompok lain (usia, jenis kelamin, etnis, penyakit langka) dan memperbesar kesenjangan. Persetujuan dan transparansi pasien: Jika pasien mengetahui bahwa kecerdasan buatan digunakan dalam diagnosisnya; Bagaimana lembaga ini membuat hal ini transparan? Kewajiban: Jika pembacaan yang dibantu AI menghasilkan kesalahan, siapa yang bertanggung jawab — jawabannya ada pada ahli radiologi yang menandatanganinya; AI tidak mengambil alih tanggung jawab. Akses yang adil: Jika alat AI tersedia di beberapa pusat dan tidak di pusat lainnya, hal ini dapat menjadi sumber kesenjangan.
tiga kasus mini
Kasus 1 — Pelanggaran teks tersemat. Seorang dokter mengunggah gambar USG yang menarik, membersihkan headernya, dan mengunggahnya ke alat AI publik. Namun di sudut gambar terdapat nama pasien dan nomor protokol yang terukir di piksel; Meskipun headernya bersih, namun terdapat ID postingan yang tertanam di dalamnya. Institusi menemui notifikasi KVKK. Cara yang benar adalah dengan menutupi area yang disematkan dan membagikannya seperti itu.
Kasus 2 — Penyebaran tanpa verifikasi lokal. Sebuah pusat kesehatan secara rutin memperkenalkan model usia tulang yang dilatihkan pada populasi di luar negeri tanpa pernah memvalidasinya pada kelompok pasiennya sendiri. Beberapa bulan kemudian, diketahui bahwa model tersebut memiliki bias sistematis pada populasinya. Jika verifikasi lokal dilakukan, hal itu akan terlihat dari awal. Pelajaran: bahkan persetujuan peraturan pun tidak bisa menggantikan verifikasi lokal.
Kasus 3 — Melaporkan anonimisasi. Seorang ahli radiologi ingin mendiskusikan kasus sulit dengan rekannya melalui alat AI. Dia menulis ulang ceritanya sebagai "wanita berusia 62 tahun, yang diketahui memiliki riwayat kanker payudara" dan bukan "Ayşe Yılmaz, protokol 2024-114523, kanker payudara"; Membagikan gambar dengan header DICOM yang dihapus dan teks yang disematkan ditutup. Diskusi klinis terjadi, tidak ada identitas yang terungkap. Anonimisasi yang tepat memungkinkan penggunaan AI yang aman.
Perintah lemah / Perintah kuat
Perintah yang lemah:
Ayşe Yılmaz, TC 123..., protokol 2024-114523, kanker payudara, tafsirkan MRI ini.
Identitas dibagikan secara terbuka; Ini merupakan pelanggaran KVKK, seharusnya dihentikan sebelum perintah ditulis.
Perintah yang kuat:
Peran Anda: asisten kontrol anonimisasi. Hapus nama Anda, ID TR, nomor protokol/pemeriksaan, tanggal lahir, kontak dan informasi institusi dari teks di bawah ini; ganti dengan "[dihapus]". Tinggalkan hanya informasi anonim yang diperlukan secara klinis (kelompok usia, jenis kelamin, riwayat relevan). Ingatkan saya juga: jika saya akan membagikan gambar, saya juga perlu menghapus header DICOM dan teks yang tertanam dalam gambar, dan mempertimbangkan data wajah di gambar kepala/otak. Teks: [tempel teks]
ID ekstrak cepat yang kuat, mengingatkan data tertanam/header dan wajah.
Templat cepat yang dapat disalin
TEMPLATE KONTROL ANONIMASI Peran Anda: asisten anonimisasi. Ekstrak nama, nomor ID TR, nomor protokol/pemeriksaan, tanggal lahir, kontak dan informasi institusi dari teks; Ketik "[dihapus]". Tinggalkan hanya informasi anonim yang diperlukan secara klinis. Ingatkan saya bahwa jika saya ingin membagikan gambar, saya perlu menghapus header + penyematan + data wajah. Teks: [tulis]
TEMPLATE QUERY VALIDASI MODEL Peran Anda: ASISTEN. Saya akan mengevaluasi model AI. Hasilkan pertanyaan yang perlu saya ajukan: berapa populasi/jumlah kasus/metriknya, cakupan persetujuan peraturan, apakah validasi lokal telah dilakukan, risiko penyimpangan distribusi, pelacakan versi. Keputusan ada di tangan institusi. Informasi model: [musim panas]
TEMPLATE PERIKSA ETIKA/BIASI akan memberi Anda konteks penggunaan model AI. Evaluasi bias algoritmik (yang mungkin tidak berjalan baik dalam kelompok), persetujuan/transparansi pasien, akuntabilitas, dan akses yang adil; Tuliskan pertanyaan yang harus diajukan institusi di bawah setiap judul. Konteks: [tulis]
TEMPLATE PRIVASI ALIRAN DATAI akan memberi Anda skenario pengiriman data ke alat AI. Buat daftar periksa yang menanyakan ke mana data disimpan, apakah data disimpan, apakah digunakan dalam pelatihan model, dan status DPA/dasar hukumnya. Ingatkan kami tentang kewajiban anonimisasi untuk kendaraan eksternal. Naskah: [tulis]
Kesalahan umum
- Hapus saja headernya dan lupakan teks yang disematkan. Gambar tersebut tetap membawa identitas.
- Mengabaikan data wajah. Seseorang dapat dikenali dari gambar 3D kepala/otak.
- Menggantikan persetujuan peraturan untuk validasi lokal. Persetujuan menunjukkan ruang lingkup; Itu tidak menjamin kinerja data Anda sendiri.
- Tidak bertanya tentang bias algoritmik. Model ini mungkin tidak memberikan hasil yang baik bagi beberapa kelompok, sehingga memperlebar kesenjangan.
- Mengalihkan tanggung jawab ke AI. Tanda tangannya ada pada ahli radiologi; Tanggung jawab atas kesalahan terletak pada manusia.
Tip: Sebelum mengirim data apa pun ke luar institusi, ajukan satu pertanyaan: "Jika data ini bocor, apakah pasien dapat diidentifikasi?" Jika jawabannya “ya” atau “tidak yakin”, data tersebut belum anonim — jangan kirimkan.
Singkatnya
Gambar dan laporan radiologi merupakan data pribadi khusus dan memerlukan perlindungan tertinggi dalam lingkup KVKK/GDPR. Data DICOM membawa identitas dalam dua lapisan — header dan teks yang tertanam dalam gambar — dan tidak ada data yang keluar dari perusahaan tanpa keduanya dihapus, serta data wajah jika diperlukan. Untuk memercayai suatu model, validasinya, tingkat bukti, persetujuan peraturan, dan validasi lokal, khususnya pada perangkat/populasi Anda sendiri, dievaluasi; Persetujuan peraturan bukanlah pengganti verifikasi lokal. Dalam dimensi etika, bias algoritmik, persetujuan pasien, transparansi, akses adil, dan tanggung jawab dipertanyakan. Dalam semua kasus, tanda tangan, tanggung jawab dan keputusan akhir berada di tangan ahli radiologi.
Tugas aplikasi
Buat teks fakta dan skenario berbagi gambar. Anonimkan teks dengan templat "Pemeriksaan Anonimisasi" dan daftar langkah-langkah pemeriksaan header/teks tersemat/data wajah. Kemudian evaluasi model yang Anda gunakan (atau pertimbangkan) dengan templat “Kueri Validasi Model”: populasi, cakupan validasi, status validasi lokal. Terakhir, dengan template “Kontrol Etika/Bias”, tuliskan di kelompok mana model ini mungkin tidak berfungsi dengan baik dan pertanyaan tentang transparansi/akuntabilitas.
daftar periksa
- [ ] Saya mengosongkan kolom ID di header DICOM.
- [ ] Saya menutupi/memotong teks yang terbakar pada gambar.
- [ ] Saya menilai risiko data wajah pada gambar kepala/otak.
- [ ] Saya menganonimkan teks laporan/cerita (nama, ID, protokol, tanggal lahir).
- [ ] Saya mempertanyakan aliran data dan DPA/dasar hukum untuk alat eksternal tersebut.
- [] Saya memeriksa validasi lokal dan cakupan validasi model.
- [ ] Saya mengevaluasi bias algoritmik, transparansi, dan akuntabilitas; Saya punya tanda tangannya.