Ieguvumi:
- Spēja atpazīt iegulto identifikācijas informāciju (galveni un ierakstītos datus) DICOM attēlos un piemērot anonimizācijas un drošas koplietošanas noteikumus
- Spēja kritiski novērtēt AI modeļa validāciju, pierādījumu līmeni, normatīvo apstiprinājumu (CE/noteikums) un vietējo validāciju
- Spēja risināt ētiskas problēmas, piemēram, algoritmisko neobjektivitāti, pacienta piekrišanu, atbildību un caurspīdīgumu attēlveidošanas kontekstā
Radioloģiskie dati ir viens no sensitīvākajiem personas datu veidiem. Attēls atspoguļo ne tikai slimību, bet arī to, kura slimība tā ir; smadzeņu MRI var identificēt personu, veicot sejas rekonstrukciju, DICOM fails galvenē saglabā pacienta vārdu, identifikācijas numuru un dzimšanas datumu. Mākslīgā intelekta laikmetā ir viegli ielādēt šos datus rīkā, kopīgot tos vai izmantot tos, lai apmācītu modeli — un tieši šī vienkāršība rada vislielāko privātuma risku. Šajā nodaļā mēs apspriedīsim DICOM anonimizācijas, KVKK/privātuma, modeļu validācijas un ētikas jautājumus.
Pamatprincips: radioloģiskie attēli un ziņojumi ir īpaši personas dati. DICOM galvenē un attēlā iegultie identitātes dati netiek anonimizēti nevienā ārējā rīkā. Modeļa uzticamība; Validācija tiek novērtēta pēc pierādījumu līmeņa, normatīvā apstiprinājuma un vietējās pārbaudes. Atbildība, paraksts un galīgais lēmums vienmēr gulstas uz radiologu.
DICOM satur identitāti divos slāņos
Radioloģiskie dati, atšķirībā no citiem veselības datiem, satur identitāti divos atsevišķos slāņos, un anonimizācija ir nepilnīga, neizdzēšot abus.
1. DICOM galvene: Strukturēti lauki attēla faila sākumā — pacienta vārds, identifikācijas/protokola numurs, dzimšanas datums, dzimums, iestāde, izmeklēšanas datums, ierīce. Šos apgabalus var dzēst/maskēt, izmantojot rīku, taču, ja tas tiek aizmirsts, attēls joprojām tiks identificēts, kamēr tas tiks uzskatīts par "anonīmu".
2. Ierakstītie dati: dažos attēlos, īpaši ultraskaņā, fluoroskopijas ekrānuzņēmumos, ārējā skenēšanā, pacienta informācija tiek ierakstīta tieši pikseļos. Galvenes notīrīšana to nenoņem; iegultais teksts ir jāmaskē (aizsedz) vai šis apgabals ir jāapgriež.
Turklāt sejas rekonstrukcijas risks: seju var rekonstruēt trīsdimensiju veidā, izmantojot augstas izšķirtspējas galvas/smadzeņu CT un MRI; Arī tas ir identitātes izpaušanas veids, un dažos kontekstos tas prasa "sagrozīšanu".
slānis
kur
Kā tīrīt
ja aizmirst
DICOM galvene
Faila nosaukums
Anonimizācijas rīks
ID paliek atvērts
iegultais teksts
iekšējais pikselis
Maskēšana/apgriešana
Attēls nes identitāti
sejas dati
3D galvas skats
aptraipīšana
Atpazīstams pēc sejas
Ziņojuma teksts
RIS/teksts
Noņem vārdu/numuru
Persona ir identificēta
KVKK un droša koplietošana
Tirkijā KVKK (Personas datu aizsardzības likums) veselības datus apstrādā kā "īpaša rakstura personas datus" visaugstākajā aizsardzības līmenī; Eiropā tā ekvivalents ir GDPR. Pamatnoteikumi: apstrādāt datus tikai tik daudz, cik nepieciešams nepieciešamajam mērķim; deanonimizācija ārpus iestādes; Ja plānojat to izmantot modeļu apmācībā, norādiet juridisko pamatu un nepārprotamu piekrišanu, ja nepieciešams; Uzziniet, kur nonāk jūsu dati. Neanonimizētu attēlu/ziņojumu augšupielāde publiskā AI rīkā ir datu pārkāpums. Priekšroka jādod korporatīvajiem rīkiem, kuriem ir datu apstrādes līgums (DPA), kuri neizmanto jūsu datus modeļu apmācībā un, vēlams, strādāt uzņēmumā/lokāli.
Uzmanību! Sakot "Es tikko izdzēsu uzvārdu" vai "rīks jau ir drošs" nav anonimizācija. Dati netiek izvesti ārpus iestādes, nenoņemot visus vārdus, uzvārdu, TR ID, protokola/izmeklējuma numuru, dzimšanas datumu, kontaktpersonu, iestādi un iegultos/galvenes identitātes datus. Anonimizācija nav ieradums, nav vienreizējs uzdevums.
Modeļa validācija: kad uzticēties modelim
Nepietiek pateikt, ka modelis "strādā"; Jājautā, kā, kur un cik daudz strādā.
- Validācija un pierādījumu līmenis: kurā populācijā, cik gadījumos, ar kādiem rādītājiem (jutīgums, specifiskums, viltus negatīvs) modelis tika pārbaudīts? Vai ir publicēti neatkarīgi pierādījumi?
- Normatīvais apstiprinājums: vai produkts ir apstiprināts kā medicīnas ierīce (piemēram, CE marķējums, attiecīgs normatīvais apstiprinājums)? Uz kādu lietojumu attiecas apstiprinājums?
- Vietējā pārbaude: vissvarīgākais solis. Vai modelis ir pārbaudīts jūsu ierīcē, jūsu protokolā, jūsu populācijā? Izkliedes novirze (veiktspējas samazināšanās, attālinoties no treniņu apstākļiem) nav redzama bez vietējās validācijas.
- Izsekojamība: vai tiek izsekota modeļa versija, atjauninājumi un veiktspējas izmaiņas?
Ētiskā dimensija
Algoritmiskā novirze: ja modelis ir apmācīts konkrētai populācijai, tas var sliktāk darboties citās grupās (vecums, dzimums, etniskā piederība, reta slimība) un palielināt nevienlīdzību. Pacienta piekrišana un caurspīdīgums: vai pacientam jāzina, ka viņa diagnozē tiek izmantots mākslīgais intelekts; Kā iestāde to padara pārredzamu? Atbildība: ja mākslīgā intelekta nolasījumā tiek pieļauta kļūda, kurš ir atbildīgs — atbilde ir radiologam, kurš parakstījies; AI neuzņemas atbildību. Godīga piekļuve: ja AI rīki ir pieejami dažos centros, bet citos nav, tas var būt nevienlīdzības avots.
trīs mini futrāļi
1. gadījums — iegultā teksta pārkāpums. Ārsts augšupielādē interesantu ultraskaņas attēlu, notīra tā galveni un augšupielādē to publiskā AI rīkā. Bet attēla stūrī ir pikselī iegravēts pacienta vārds un protokola numurs; Lai gan galvene bija tīra, tajā bija iegults ziņas ID. Iestāde sastopas ar KVKK paziņojumu. Pareizais veids bija maskēt iegulto apgabalu un kopīgot to šādi.
2. gadījums — izplatīšana bez vietējās pārbaudes. Centrs regulāri ievieš kaulu vecuma modeli, kas apmācīts ārzemju iedzīvotājiem, nekad to neapstiprinot savā pacientu grupā. Mēnešus vēlāk tiek pamanīts, ka modelis ir sistemātiski neobjektīvs savās populācijās. Ja tiktu veikta vietējā pārbaude, tas būtu redzams no paša sākuma. Mācība: pat normatīvais apstiprinājums neaizstāj vietējo verifikāciju.
3. gadījums — ziņot par anonimizāciju. Radiologs vēlas apspriest sarežģītu gadījumu ar savu kolēģi, izmantojot AI rīku. Viņš pārraksta stāstu kā "62 gadus veca sieviete, zināma krūts vēža vēsture", nevis "Ayşe Yılmaz, protokols 2024-114523, krūts vēzis"; Kopīgo attēlu ar notīrītu DICOM galveni un maskētu iegulto tekstu. Notiek klīniska diskusija, identitātes netiek atklātas. Pareiza anonimizācija nodrošināja drošu AI izmantošanu.
Vāja uzvedne / spēcīga uzvedne
Vāja uzvedne:
Ayşe Yılmaz, TC 123..., protokols 2024-114523, krūts vēzis, interpretējiet šo MRI.
Identitāte tiek atklāti dalīta; Tas ir KVKK pārkāpums, tas bija jāpārtrauc pirms uzvednes uzrakstīšanas.
Spēcīga uzvedne:
Jūsu loma: anonimizācijas kontroles palīgs. No zemāk esošā teksta noņemiet savu vārdu, uzvārdu, TR ID, protokola/izmeklējuma numuru, dzimšanas datumu, kontaktinformāciju un iestādes informāciju; aizstāt to ar "[noņemts]". Atstājiet tikai klīniski nepieciešamo anonīmu informāciju (vecuma grupa, dzimums, attiecīgā vēsture). Atgādiniet man arī: ja es gatavojos kopīgot attēlu, man ir arī jānotīra DICOM galvene un teksts, kas iegults attēlā, un jāņem vērā sejas dati galvas/smadzeņu attēlos. Teksts: [ielīmēt tekstu]
Jaudīgi uzvednes ekstrakti ID, atgādina iegultos/galvenes un sejas datus.
Kopējamas uzvedņu veidnes
ANONIMIZĀCIJAS VADĪBAS VEIDNEJūsu loma: anonimizācijas palīgs. No teksta izvilkt vārdu, uzvārdu, TR ID numuru, protokola/izmeklējuma numuru, dzimšanas datumu, kontaktinformāciju un iestādes informāciju; Ierakstiet "[noņemts]". Atstājiet tikai klīniski nepieciešamo anonīmu informāciju. Atgādiniet man, ka, ja es gatavojos kopīgot attēlu, man ir jānotīra galvene + iegulšana + sejas dati. Teksts: [rakstīt]
MODEĻA VALIDĀCIJAS VAJACĪJUMA VEIDNEJūsu loma: PALĪGS. Es novērtēšu AI modeli. Ģenerējiet jautājumus, kas man jāuzdod: kāda populācija/gadījumu skaits/metrika, normatīvā apstiprinājuma apjoms, vai ir veikta vietējā validācija, izplatīšanas novirzes risks, versiju izsekošana. Lēmums ir iestādes rokās. Modeļa informācija: [vasara]
ĒTIKAS/BIAS PĀRBAUDES VEIDNE sniegs jums AI modeļa izmantošanas kontekstu. Novērtējiet algoritmisko neobjektivitāti (kas var slikti darboties grupās), pacienta piekrišanu/pārredzamību, atbildību un godīgu piekļuvi; Zem katras virsraksta ierakstiet jautājumu, kas iestādei būtu jāuzdod. Konteksts: [rakstīt]
DATU PLŪSMAS KONFIDENCIALITĀTES VEIDNE sniegs jums scenāriju datu nosūtīšanai uz AI rīku. Izveidojiet kontrolsarakstu, kurā tiek jautāts, kur tiek nosūtīti dati, vai tie tiek saglabāti, vai tos izmanto modeļu apmācībā un to DPA/juridiskās bāzes statusu. Atgādiniet mums par ārējo transportlīdzekļu anonimizācijas pienākumu. Scenārijs: [rakstīt]
Biežas kļūdas
- Vienkārši notīriet galveni un aizmirstiet par iegulto tekstu. Attēlam joprojām ir identitāte.
- Sejas datu ignorēšana. Cilvēku var atpazīt pēc galvas/smadzeņu 3D attēliem.
- Vietējās validācijas aizstāšana ar normatīvo apstiprinājumu. Piekrišana norāda darbības jomu; Tas negarantē jūsu datu veiktspēju.
- Nejautājot par algoritmisko novirzi. Dažām grupām modelis var darboties slikti, palielinot nevienlīdzību.
- Atbildības nodošana AI. Paraksts ir pie radiologa; Atbildība par kļūdām gulstas uz cilvēkiem.
Padoms: Pirms jebkādu datu nosūtīšanas ārpus iestādes uzdodiet vienu jautājumu: "Ja šie dati būtu noplūduši, vai varētu identificēt pacientu?" Ja atbilde ir “jā” vai “nav pārliecināta”, dati vēl nav anonīmi — nesūtiet tos.
Rezumējot
Radioloģiskie attēli un ziņojumi ir īpaši personas dati, un tiem ir nepieciešama visaugstākā aizsardzība KVKK/GDPR ietvaros. DICOM dati satur identitāti divos slāņos — galvenē un attēlā iegultajā tekstā —, un nekādi dati netiek izvadīti no uzņēmuma, ja abi netiek iztīrīti, kā arī sejas dati, ja nepieciešams. Lai modelim uzticētos, tiek novērtēta tā validācija, pierādījumu līmenis, normatīvais apstiprinājums un vietējā validācija, jo īpaši jūsu ierīcē/populācijā; Normatīvais apstiprinājums neaizstāj vietējo verifikāciju. Ētiskajā dimensijā tiek apšaubīta algoritmiskā neobjektivitāte, pacienta piekrišana, pārredzamība, godīga piekļuve un atbildība. Visos gadījumos paraksts, atbildība un gala lēmums pieder radiologam.
Lietojumprogrammas uzdevums
Izveidojiet faktu tekstu un attēlu kopīgošanas scenāriju. Anonimizējiet tekstu, izmantojot veidni "Anonimizācijas pārbaude" un uzskaitiet galvenes/iegultā teksta/sejas datu pārbaudes darbības. Pēc tam novērtējiet modeli, kuru izmantojat (vai apsverat) ar veidni “Modeļa validācijas vaicājums”: populācija, validācijas tvērums, vietējās validācijas statuss. Visbeidzot, izmantojot veidni “Ētikas/neobjektivitātes kontrole”, pierakstiet, kurās grupās šis modelis varētu darboties slikti, kā arī jautājumus par caurspīdīgumu/atbildību.
kontrolsaraksts
- [ ] Es notīrīju ID laukus DICOM galvenē.
- [ ] Es maskēju/apgriezu attēlā ierakstīto tekstu.
- [ ] Es novērtēju sejas datu risku galvas/smadzeņu attēlos.
- [ ] Es anonimizēju ziņojuma/stāsta tekstu (vārds, ID, protokols, dzimšanas datums).
- [ ] Es apšaubīju ārējā rīka datu plūsmu un DPA/juridisko pamatu.
- [ ] Es pārbaudīju modeļa lokālo validāciju un validācijas jomu.
- [ ] Es novērtēju algoritmisko neobjektivitāti, caurspīdīgumu un atbildību; Man ir paraksts.