Guadagni:
- Capacità di riconoscere le informazioni di identificazione incorporate (intestazione e dati incorporati) nelle immagini DICOM e applicare regole di anonimizzazione e condivisione sicura
- Capacità di valutare criticamente la validazione, il livello di evidenza, l'approvazione normativa (CE/regolamento) e la validazione locale di un modello di IA
- Capacità di affrontare questioni etiche come bias algoritmici, consenso del paziente, responsabilità e trasparenza nel contesto dell'imaging
I dati radiologici sono uno dei tipi di dati personali più sensibili. Un'immagine trasmette non solo una malattia, ma di chi è la malattia; una risonanza magnetica cerebrale può identificare una persona attraverso la ricostruzione facciale, un file DICOM memorizza il nome, il numero di identificazione e la data di nascita del paziente nella sua intestazione. Nell’era dell’intelligenza artificiale, è facile caricare questi dati in uno strumento, condividerli o utilizzarli per addestrare un modello – ed è proprio questa facilità a creare il rischio maggiore per la privacy. In questa unità discuteremo l'anonimizzazione DICOM, KVKK/privacy, la convalida dei modelli e le questioni etiche dall'inizio alla fine.
Principio fondamentale: le immagini e i referti radiologici sono dati personali speciali. I dati di identità nell'intestazione DICOM e incorporati nell'immagine non entrano in nessuno strumento esterno senza essere anonimizzati. Affidabilità di un modello; La validazione viene valutata in base al livello di evidenza, all'approvazione normativa e alla verifica locale. La responsabilità, la firma e la decisione finale spettano sempre al radiologo.
DICOM trasporta l'identità in due livelli
I dati radiologici, a differenza di altri dati sanitari, trasportano l'identità in due livelli separati e l'anonimizzazione è incompleta senza la cancellazione di entrambi.
1. Intestazione DICOM: campi strutturati all'inizio del file immagine: nome del paziente, numero di identificazione/protocollo, data di nascita, sesso, istituzione, data dell'esame, dispositivo. Queste aree possono essere cancellate/mascherate con uno strumento, ma se dimenticate l'immagine continuerà a portare identificazione pur essendo ritenuta "anonima".
2. Dati incorporati: in alcune immagini, in particolare ecografie, schermate di fluoroscopia e scansioni esterne, le informazioni sul paziente vengono scritte direttamente nei pixel. Cancellare l'intestazione non lo rimuove; il testo incorporato deve essere mascherato (coperto) oppure l'area deve essere ritagliata.
Inoltre, rischio di ricostruzione facciale: il volto può essere ricostruito tridimensionalmente da TC e risonanza magnetica della testa/cervello ad alta risoluzione; Anche questa è una forma di rivelazione dell'identità e, in alcuni contesti, richiede la "deturpazione".
strato
dove
Come pulire
se dimenticato
Intestazione DICOM
Titolo del file
Strumento di anonimizzazione
L'ID rimane aperto
testo incorporato
intrapixel
Mascheratura/ritaglio
L'immagine porta identità
dati del viso
Vista della testa 3D
deturpante
Riconoscibile dal viso
Segnala il testo
RIS/testo
Rimozione nome/numero
La persona è identificata
KVKK e condivisione sicura
In Türkiye, la KVKK (Legge sulla protezione dei dati personali) tratta i dati sanitari come "dati personali di natura speciale" al massimo livello di protezione; In Europa, il suo equivalente è il GDPR. Regole di base: trattare i dati solo quanto necessario per lo scopo richiesto; de-anonimizzazione all'esterno dell'istituzione; Se intendi utilizzarlo nella formazione del modello, fornisci la base giuridica e il consenso esplicito, se necessario; Scopri dove vanno i tuoi dati. Il caricamento di immagini/report non anonimizzati su uno strumento pubblico di intelligenza artificiale costituisce una violazione dei dati. Dovrebbero essere preferiti gli strumenti aziendali che dispongono di un accordo sul trattamento dei dati (DPA), che non utilizzano i dati nella formazione modello e che preferibilmente lavorano internamente/localmente.
Attenzione: dire "Ho appena cancellato il cognome" o "lo strumento è già sicuro" non è anonimizzazione. Nessun dato esce dall'istituzione senza rimuovere tutto il nome, l'ID TR, il numero di protocollo/esame, la data di nascita, il contatto, l'istituzione e i dati di identità incorporati/di intestazione. L’anonimizzazione non è un’abitudine, né un compito una tantum.
Validazione del modello: quando fidarsi di un modello
Non basta dire che un modello “funziona”; È necessario chiedersi come, dove e quanto funziona.
- Validazione e livello di evidenza: in quale popolazione, in quanti casi, con quali parametri (sensibilità, specificità, falsi negativi) è stato testato il modello? Esistono prove pubblicate e indipendenti?
- Approvazione normativa: il prodotto è approvato come dispositivo medico (ad esempio marcatura CE, approvazione normativa pertinente)? Quale utilizzo è coperto dall'omologazione?
- Verifica locale: il passaggio più critico. Il modello è stato testato sul tuo dispositivo, sul tuo protocollo, sulla tua popolazione? La deriva della distribuzione (diminuzione delle prestazioni quando ci si allontana dalle condizioni di allenamento) non è osservabile senza una validazione locale.
- Tracciabilità: vengono tracciati la versione del modello, gli aggiornamenti e le modifiche alle prestazioni?
Dimensione etica
Distorsione algoritmica: se il modello è addestrato su una particolare popolazione, potrebbe avere risultati peggiori in altri gruppi (età, sesso, etnia, malattie rare) e amplificare la disuguaglianza. Consenso e trasparenza del paziente: il paziente deve sapere che nella sua diagnosi viene utilizzata l'intelligenza artificiale; In che modo l’istituzione rende tutto questo trasparente? Responsabilità: se una lettura assistita dall'intelligenza artificiale commette un errore, chi è responsabile? La risposta spetta al radiologo che ha firmato; L’intelligenza artificiale non si assume la responsabilità. Accesso equo: se gli strumenti di intelligenza artificiale sono disponibili in alcuni centri e non in altri, ciò può essere fonte di disuguaglianza.
tre mini custodie
Caso 1: violazione del testo incorporato. Un medico carica un'immagine ecografica interessante, ne pulisce l'intestazione e la carica su uno strumento pubblico di intelligenza artificiale. Ma nell'angolo dell'immagine c'è il nome del paziente e il numero di protocollo incisi nel pixel; Anche se l'intestazione era pulita, conteneva un ID post incorporato. L'istituzione incontra una notifica KVKK. Il modo corretto era mascherare l'area incorporata e condividerla in questo modo.
Caso 2 — Diffusione senza verifica locale. Un centro introduce abitualmente un modello di età ossea addestrato su una popolazione straniera senza mai convalidarlo nel proprio gruppo di pazienti. Mesi dopo, si nota che il modello è sistematicamente distorto nelle sue popolazioni. Se venisse effettuata la verifica locale, ciò verrebbe visto dall'inizio. Lezione: anche l’approvazione normativa non può sostituire la verifica locale.
Caso 3: segnala l'anonimizzazione. Un radiologo vuole discutere un caso difficile con il suo collega attraverso uno strumento di intelligenza artificiale. Riscrive la storia come "donna di 62 anni, storia nota di cancro al seno" invece di "Ayşe Yılmaz, protocollo 2024-114523, cancro al seno"; Condivide l'immagine con l'intestazione DICOM cancellata e il testo incorporato mascherato. Ha luogo la discussione clinica, nessuna identità viene rivelata. La corretta anonimizzazione ha consentito un utilizzo sicuro dell’IA.
Prompt debole / Prompt forte
Suggerimento debole:
Ayşe Yılmaz, TC 123..., protocollo 2024-114523, cancro al seno, interpreta questa risonanza magnetica.
L'identità è apertamente condivisa; Questa è una violazione KVKK, avrebbe dovuto essere interrotta prima che il prompt fosse scritto.
Suggerimento potente:
Il tuo ruolo: assistente al controllo dell'anonimizzazione. Rimuovi il tuo nome, ID TR, numero di protocollo/esame, data di nascita, informazioni di contatto e istituzione dal testo sottostante; sostituirlo con "[rimosso]". Lasciare solo le informazioni anonime clinicamente necessarie (fascia di età, sesso, storia rilevante). Ricordami anche: se intendo condividere un'immagine, devo anche cancellare l'intestazione DICOM e il testo incorporato nell'immagine e considerare i dati facciali nelle immagini della testa/del cervello. Testo: [incolla testo]
Il potente prompt estrae l'ID, ricorda i dati incorporati/di intestazione e del viso.
Modelli di prompt copiabili
MODELLO DI CONTROLLO DELL'ANONIMIZZAZIONE Il tuo ruolo: assistente per l'anonimizzazione. Estrarre dal testo nome, numero ID TR, numero di protocollo/esame, data di nascita, informazioni di contatto e istituzione; Digitare "[rimosso]". Lasciare solo le informazioni anonime clinicamente richieste. Ricordami che se intendo condividere un'immagine, devo cancellare l'intestazione + incorporare + i dati del viso. Testo: [scrivi]
MODELLO DI DOMANDA DI CONVALIDA DEL MODELLO Il tuo ruolo: ASSISTENTE. Valuterò un modello di intelligenza artificiale. Genera le domande che devo porre: quale popolazione/numero di casi/metriche, ambito dell'approvazione normativa, viene eseguita la convalida locale, rischio di deriva della distribuzione, monitoraggio della versione. La decisione spetta all'istituzione. Informazioni sul modello: [estate]
MODELLO DI CONTROLLO ETICA/BIAS Ti fornirà il contesto dell'utilizzo di un modello di intelligenza artificiale. Valutare eventuali bias algoritmici (che possono funzionare poco in gruppi), consenso/trasparenza del paziente, responsabilità e accesso equo; Scrivi la domanda che l'istituzione dovrebbe porre sotto ciascuna voce. Contesto: [scrivere]
MODELLO DI PRIVACY DEL FLUSSO DI DATI Ti fornirò uno scenario di invio di dati a uno strumento di intelligenza artificiale. Creare una lista di controllo che chieda dove vanno i dati, se vengono archiviati, se vengono utilizzati nell'addestramento del modello e il loro stato DPA/base giuridica. Ricordaci l'obbligo di anonimizzazione per i veicoli esterni. Sceneggiatura: [scrivi]
Errori comuni
- Basta cancellare l'intestazione e dimenticare il testo incorporato. L'immagine porta ancora identità.
- Ignorare i dati facciali. Una persona può essere riconosciuta dalle immagini 3D della testa/del cervello.
- Sostituzione dell'approvazione normativa con la convalida locale. Il consenso indica l'ambito; Non garantisce le prestazioni sui tuoi dati.
- Non chiedere informazioni sui bias algoritmici. Il modello potrebbe funzionare male per alcuni gruppi, ampliando la disuguaglianza.
- Trasferimento di responsabilità all’IA. La firma è del radiologo; La responsabilità degli errori è degli esseri umani.
Suggerimento: prima di inviare dati all'esterno dell'istituto, porre una domanda: "Se questi dati venissero divulgati, un paziente potrebbe essere identificato?" Se la risposta è "sì" o "non sono sicuro", i dati non sono ancora anonimi: non inviarli.
In sintesi
Le immagini e i referti radiologici sono dati personali speciali e richiedono la massima protezione nell'ambito della KVKK/GDPR. I dati DICOM trasportano l'identità su due livelli – l'intestazione e il testo incorporato nell'immagine – e nessun dato lascia l'azienda senza che entrambi vengano cancellati, così come i dati del volto, se necessario. Per fidarsi di un modello, vengono valutati la sua convalida, il livello di evidenza, l'approvazione normativa e la convalida locale, in particolare nel proprio dispositivo/popolazione; L'approvazione normativa non sostituisce la verifica locale. Nella dimensione etica vengono messi in discussione i pregiudizi algoritmici, il consenso del paziente, la trasparenza, l’accesso equo e la responsabilità. In tutti i casi la firma, la responsabilità e la decisione finale spettano al radiologo.
Compito dell'applicazione
Crea un testo informativo e uno scenario di condivisione di immagini. Anonimizza il testo con il modello "Verifica dell'anonimizzazione" e i passaggi di controllo dell'intestazione dell'elenco/testo incorporato/dati del volto. Quindi valuta un modello che stai utilizzando (o considerando) con il modello "Model Validation Query": popolazione, ambito di convalida, stato di convalida locale. Infine, con il modello “Controllo etico/pregiudiziale”, annota in quali gruppi questo modello potrebbe funzionare male e le domande di trasparenza/responsabilità.
lista di controllo
- [] Ho cancellato i campi ID nell'intestazione DICOM.
- [ ] Ho mascherato/ritagliato il testo incorporato nell'immagine.
- [ ] Ho valutato il rischio dei dati facciali nelle immagini della testa/del cervello.
- [ ] Ho reso anonimo il testo della segnalazione/storia (nome, ID, protocollo, data di nascita).
- [ ] Ho messo in dubbio il flusso di dati e il DPA/la base giuridica per lo strumento esterno.
- [] Ho controllato la convalida locale e l'ambito di convalida del modello.
- [] Ho valutato pregiudizi algoritmici, trasparenza e responsabilità; Ho la firma.