ਲਾਭ:
- DICOM ਚਿੱਤਰਾਂ ਵਿੱਚ ਏਮਬੈਡਡ ਪਛਾਣ ਜਾਣਕਾਰੀ (ਸਿਰਲੇਖ ਅਤੇ ਬਰਨ-ਇਨ ਡੇਟਾ) ਨੂੰ ਪਛਾਣਨ ਅਤੇ ਅਗਿਆਤਕਰਨ ਅਤੇ ਸੁਰੱਖਿਅਤ ਸ਼ੇਅਰਿੰਗ ਨਿਯਮਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਪ੍ਰਮਾਣਿਕਤਾ, ਸਬੂਤ ਦੇ ਪੱਧਰ, ਰੈਗੂਲੇਟਰੀ ਪ੍ਰਵਾਨਗੀ (CE/ਨਿਯਮ) ਅਤੇ ਇੱਕ AI ਮਾਡਲ ਦੀ ਸਥਾਨਕ ਪ੍ਰਮਾਣਿਕਤਾ ਦਾ ਆਲੋਚਨਾਤਮਕ ਮੁਲਾਂਕਣ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਇਮੇਜਿੰਗ ਦੇ ਸੰਦਰਭ ਵਿੱਚ ਅਲਗੋਰਿਦਮਿਕ ਪੱਖਪਾਤ, ਮਰੀਜ਼ ਦੀ ਸਹਿਮਤੀ, ਜ਼ਿੰਮੇਵਾਰੀ ਅਤੇ ਪਾਰਦਰਸ਼ਤਾ ਵਰਗੇ ਨੈਤਿਕ ਮੁੱਦਿਆਂ ਨੂੰ ਹੱਲ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
ਰੇਡੀਓਲਾਜੀਕਲ ਡੇਟਾ ਨਿੱਜੀ ਡੇਟਾ ਦੀਆਂ ਸਭ ਤੋਂ ਸੰਵੇਦਨਸ਼ੀਲ ਕਿਸਮਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ। ਇੱਕ ਚਿੱਤਰ ਨਾ ਸਿਰਫ਼ ਇੱਕ ਬਿਮਾਰੀ ਦੱਸਦਾ ਹੈ, ਪਰ ਇਹ ਕਿਸ ਦੀ ਬਿਮਾਰੀ ਹੈ; ਇੱਕ ਦਿਮਾਗੀ MRI ਚਿਹਰੇ ਦੇ ਪੁਨਰ ਨਿਰਮਾਣ ਦੁਆਰਾ ਇੱਕ ਵਿਅਕਤੀ ਦੀ ਪਛਾਣ ਕਰ ਸਕਦਾ ਹੈ, ਇੱਕ DICOM ਫਾਈਲ ਮਰੀਜ਼ ਦਾ ਨਾਮ, ਪਛਾਣ ਨੰਬਰ, ਅਤੇ ਜਨਮ ਮਿਤੀ ਨੂੰ ਇਸਦੇ ਸਿਰਲੇਖ ਵਿੱਚ ਸਟੋਰ ਕਰਦੀ ਹੈ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੇ ਯੁੱਗ ਵਿੱਚ, ਇਸ ਡੇਟਾ ਨੂੰ ਇੱਕ ਟੂਲ ਵਿੱਚ ਲੋਡ ਕਰਨਾ, ਇਸਨੂੰ ਸਾਂਝਾ ਕਰਨਾ, ਜਾਂ ਇੱਕ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਇਸਦੀ ਵਰਤੋਂ ਕਰਨਾ ਆਸਾਨ ਹੈ — ਅਤੇ ਇਹ ਬਿਲਕੁਲ ਇਹ ਆਸਾਨੀ ਹੈ ਜੋ ਗੋਪਨੀਯਤਾ ਦਾ ਸਭ ਤੋਂ ਵੱਡਾ ਜੋਖਮ ਪੈਦਾ ਕਰਦੀ ਹੈ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਅਸੀਂ DICOM ਅਨਾਮਾਈਜ਼ੇਸ਼ਨ, KVKK/ਗੋਪਨੀਯਤਾ, ਮਾਡਲ ਪ੍ਰਮਾਣਿਕਤਾ ਅਤੇ ਨੈਤਿਕਤਾ ਦੇ ਮੁੱਦਿਆਂ 'ਤੇ ਅੰਤ ਤੱਕ ਚਰਚਾ ਕਰਾਂਗੇ।
ਮੂਲ ਸਿਧਾਂਤ: ਰੇਡੀਓਲੌਜੀਕਲ ਚਿੱਤਰ ਅਤੇ ਰਿਪੋਰਟਾਂ ਵਿਸ਼ੇਸ਼ ਨਿੱਜੀ ਡੇਟਾ ਹਨ। DICOM ਸਿਰਲੇਖ ਵਿੱਚ ਪਛਾਣ ਡੇਟਾ ਅਤੇ ਚਿੱਤਰ ਵਿੱਚ ਏਮਬੇਡ ਕੀਤਾ ਗਿਆ ਹੈ, ਬਿਨਾਂ ਗੁਪਤ ਕੀਤੇ ਕਿਸੇ ਵੀ ਬਾਹਰੀ ਟੂਲ ਵਿੱਚ ਦਾਖਲ ਨਹੀਂ ਹੁੰਦਾ ਹੈ। ਮਾਡਲ ਦੀ ਭਰੋਸੇਯੋਗਤਾ; ਪ੍ਰਮਾਣਿਕਤਾ ਦਾ ਮੁਲਾਂਕਣ ਸਬੂਤ ਦੇ ਪੱਧਰ, ਰੈਗੂਲੇਟਰੀ ਪ੍ਰਵਾਨਗੀ ਅਤੇ ਸਥਾਨਕ ਤਸਦੀਕ ਦੁਆਰਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਜ਼ਿੰਮੇਵਾਰੀ, ਦਸਤਖਤ ਅਤੇ ਅੰਤਿਮ ਫੈਸਲਾ ਹਮੇਸ਼ਾ ਰੇਡੀਓਲੋਜਿਸਟ ਦੇ ਨਾਲ ਹੁੰਦਾ ਹੈ।
DICOM ਦੋ ਪਰਤਾਂ ਵਿੱਚ ਪਛਾਣ ਰੱਖਦਾ ਹੈ
ਰੇਡੀਓਲੌਜੀਕਲ ਡੇਟਾ, ਹੋਰ ਸਿਹਤ ਡੇਟਾ ਦੇ ਉਲਟ, ਪਛਾਣ ਨੂੰ ਦੋ ਵੱਖ-ਵੱਖ ਪਰਤਾਂ ਵਿੱਚ ਰੱਖਦਾ ਹੈ ਅਤੇ ਅਗਿਆਤੀਕਰਨ ਦੋਵਾਂ ਨੂੰ ਸਾਫ਼ ਕੀਤੇ ਬਿਨਾਂ ਅਧੂਰਾ ਹੈ।
1. DICOM ਸਿਰਲੇਖ: ਚਿੱਤਰ ਫਾਈਲ ਦੇ ਸ਼ੁਰੂ ਵਿੱਚ ਸਟ੍ਰਕਚਰਡ ਖੇਤਰ — ਮਰੀਜ਼ ਦਾ ਨਾਮ, ਪਛਾਣ/ਪ੍ਰੋਟੋਕੋਲ ਨੰਬਰ, ਜਨਮ ਮਿਤੀ, ਲਿੰਗ, ਸੰਸਥਾ, ਪ੍ਰੀਖਿਆ ਦੀ ਮਿਤੀ, ਡਿਵਾਈਸ। ਇਹਨਾਂ ਖੇਤਰਾਂ ਨੂੰ ਇੱਕ ਟੂਲ ਨਾਲ ਮਿਟਾਇਆ/ਮਾਸਕ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਪਰ ਜੇਕਰ ਚਿੱਤਰ ਨੂੰ ਭੁਲਾਇਆ ਜਾਂਦਾ ਹੈ ਤਾਂ "ਅਗਿਆਤ" ਸਮਝੇ ਜਾਣ ਦੇ ਦੌਰਾਨ ਪਛਾਣ ਜਾਰੀ ਰਹੇਗੀ।
2. ਬਰਨਡ-ਇਨ ਡੇਟਾ: ਕੁਝ ਚਿੱਤਰਾਂ ਵਿੱਚ-ਖਾਸ ਤੌਰ 'ਤੇ ਅਲਟਰਾਸਾਊਂਡ, ਫਲੋਰੋਸਕੋਪੀ ਸਕ੍ਰੀਨ ਕੈਪਚਰ, ਬਾਹਰੀ ਸਕੈਨ-ਮਰੀਜ਼ ਦੀ ਜਾਣਕਾਰੀ ਸਿੱਧੇ ਪਿਕਸਲ ਵਿੱਚ ਲਿਖੀ ਜਾਂਦੀ ਹੈ। ਸਿਰਲੇਖ ਨੂੰ ਸਾਫ਼ ਕਰਨ ਨਾਲ ਇਹ ਨਹੀਂ ਹਟਦਾ ਹੈ; ਏਮਬੇਡਡ ਟੈਕਸਟ ਨੂੰ ਮਾਸਕ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ (ਢੱਕਿਆ ਹੋਇਆ) ਜਾਂ ਉਸ ਖੇਤਰ ਨੂੰ ਕੱਟਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
ਇਸ ਤੋਂ ਇਲਾਵਾ, ਚਿਹਰੇ ਦੇ ਪੁਨਰ ਨਿਰਮਾਣ ਦਾ ਜੋਖਮ: ਚਿਹਰੇ ਨੂੰ ਉੱਚ-ਰੈਜ਼ੋਲੂਸ਼ਨ ਹੈੱਡ/ਬ੍ਰੇਨ ਸੀਟੀ ਅਤੇ ਐਮਆਰਆਈ ਤੋਂ ਤਿੰਨ-ਅਯਾਮੀ ਤੌਰ 'ਤੇ ਪੁਨਰਗਠਨ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ; ਇਹ ਵੀ, ਪਛਾਣ ਦੇ ਖੁਲਾਸੇ ਦਾ ਇੱਕ ਰੂਪ ਹੈ ਅਤੇ, ਕੁਝ ਸੰਦਰਭਾਂ ਵਿੱਚ, "ਡੈਫੇਸਿੰਗ" ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
ਪਰਤ
ਕਿੱਥੇ
ਕਿਵੇਂ ਸਾਫ ਕਰਨਾ ਹੈ
ਜੇਕਰ ਭੁੱਲ ਗਏ
DICOM ਸਿਰਲੇਖ
ਫਾਈਲ ਦਾ ਸਿਰਲੇਖ
ਅਗਿਆਤਕਰਨ ਟੂਲ
ID ਖੁੱਲੀ ਰਹਿੰਦੀ ਹੈ
ਏਮਬੈਡਡ ਟੈਕਸਟ
ਇੰਟਰਾ ਪਿਕਸਲ
ਮਾਸਕਿੰਗ/ਕੌਪਿੰਗ
ਚਿੱਤਰ ਪਛਾਣ ਰੱਖਦਾ ਹੈ
ਚਿਹਰਾ ਡਾਟਾ
3D ਸਿਰ ਦ੍ਰਿਸ਼
ਖਰਾਬ ਕਰਨਾ
ਚਿਹਰੇ ਦੁਆਰਾ ਪਛਾਣਿਆ ਜਾ ਸਕਦਾ ਹੈ
ਰਿਪੋਰਟ ਟੈਕਸਟ
RIS/ਲਿਖਤ
ਨਾਮ/ਨੰਬਰ ਨੂੰ ਹਟਾਇਆ ਜਾ ਰਿਹਾ ਹੈ
ਵਿਅਕਤੀ ਦੀ ਪਛਾਣ ਹੋ ਜਾਂਦੀ ਹੈ
KVKK ਅਤੇ ਸੁਰੱਖਿਅਤ ਸ਼ੇਅਰਿੰਗ
ਤੁਰਕੀਏ ਵਿੱਚ, ਕੇਵੀਕੇਕੇ (ਪਰਸਨਲ ਡੇਟਾ ਪ੍ਰੋਟੈਕਸ਼ਨ ਲਾਅ) ਸੁਰੱਖਿਆ ਦੇ ਉੱਚੇ ਪੱਧਰ 'ਤੇ ਸਿਹਤ ਡੇਟਾ ਨੂੰ "ਵਿਸ਼ੇਸ਼ ਪ੍ਰਕਿਰਤੀ ਦੇ ਨਿੱਜੀ ਡੇਟਾ" ਵਜੋਂ ਮੰਨਦਾ ਹੈ; ਯੂਰਪ ਵਿੱਚ, ਇਸਦੇ ਬਰਾਬਰ GDPR ਹੈ। ਮੁਢਲੇ ਨਿਯਮ: ਲੋੜੀਂਦੇ ਉਦੇਸ਼ ਲਈ ਸਿਰਫ ਲੋੜੀਂਦੇ ਡੇਟਾ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰੋ; ਸੰਸਥਾ ਦੇ ਬਾਹਰ ਬੇਨਾਮੀਕਰਣ; ਜੇਕਰ ਤੁਸੀਂ ਇਸਦੀ ਵਰਤੋਂ ਮਾਡਲ ਸਿਖਲਾਈ ਵਿੱਚ ਕਰਨ ਜਾ ਰਹੇ ਹੋ, ਤਾਂ ਕਾਨੂੰਨੀ ਆਧਾਰ ਪ੍ਰਦਾਨ ਕਰੋ ਅਤੇ ਜੇਕਰ ਲੋੜ ਹੋਵੇ ਤਾਂ ਸਪੱਸ਼ਟ ਸਹਿਮਤੀ ਦਿਓ; ਜਾਣੋ ਕਿ ਤੁਹਾਡਾ ਡੇਟਾ ਕਿੱਥੇ ਜਾਂਦਾ ਹੈ। ਜਨਤਕ AI ਟੂਲ 'ਤੇ ਗੈਰ-ਗੁਮਨਾਮ ਤਸਵੀਰਾਂ/ਰਿਪੋਰਟਾਂ ਨੂੰ ਅਪਲੋਡ ਕਰਨਾ ਇੱਕ ਡਾਟਾ ਉਲੰਘਣਾ ਹੈ। ਕਾਰਪੋਰੇਟ ਟੂਲਸ ਜਿਨ੍ਹਾਂ ਕੋਲ ਡੇਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਸਮਝੌਤਾ (DPA) ਹੈ, ਮਾਡਲ ਸਿਖਲਾਈ ਵਿੱਚ ਤੁਹਾਡੇ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਨਾ ਕਰੋ, ਅਤੇ ਤਰਜੀਹੀ ਤੌਰ 'ਤੇ ਘਰੇਲੂ/ਸਥਾਨਕ ਤੌਰ 'ਤੇ ਕੰਮ ਕਰਨ ਨੂੰ ਤਰਜੀਹ ਦਿੱਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ।
ਧਿਆਨ ਦਿਓ: "ਮੈਂ ਹੁਣੇ ਆਖਰੀ ਨਾਮ ਮਿਟਾ ਦਿੱਤਾ ਹੈ" ਜਾਂ "ਟੂਲ ਪਹਿਲਾਂ ਹੀ ਸੁਰੱਖਿਅਤ ਹੈ" ਕਹਿਣਾ ਗੁਮਨਾਮ ਨਹੀਂ ਹੈ। ਨਾਮ, TR ਆਈਡੀ, ਪ੍ਰੋਟੋਕੋਲ/ਪ੍ਰੀਖਿਆ ਨੰਬਰ, ਜਨਮ ਮਿਤੀ, ਸੰਪਰਕ, ਸੰਸਥਾ ਅਤੇ ਏਮਬੈਡਡ/ਸਿਰਲੇਖ ਪਛਾਣ ਡੇਟਾ ਨੂੰ ਹਟਾਏ ਬਿਨਾਂ ਕੋਈ ਵੀ ਡੇਟਾ ਸੰਸਥਾ ਤੋਂ ਬਾਹਰ ਨਹੀਂ ਜਾਂਦਾ ਹੈ। ਗੁਮਨਾਮਤਾ ਇੱਕ ਆਦਤ ਨਹੀਂ ਹੈ, ਇੱਕ ਵਾਰ ਦਾ ਕੰਮ ਨਹੀਂ ਹੈ।
ਮਾਡਲ ਪ੍ਰਮਾਣਿਕਤਾ: ਕਿਸੇ ਮਾਡਲ 'ਤੇ ਕਦੋਂ ਭਰੋਸਾ ਕਰਨਾ ਹੈ
ਇਹ ਕਹਿਣਾ ਕਾਫ਼ੀ ਨਹੀਂ ਹੈ ਕਿ ਇੱਕ ਮਾਡਲ "ਕੰਮ ਕਰਦਾ ਹੈ"; ਇਹ ਪੁੱਛਣਾ ਜ਼ਰੂਰੀ ਹੈ ਕਿ ਇਹ ਕਿਵੇਂ, ਕਿੱਥੇ ਅਤੇ ਕਿੰਨਾ ਕੰਮ ਕਰਦਾ ਹੈ।
- ਪ੍ਰਮਾਣਿਕਤਾ ਅਤੇ ਸਬੂਤ ਦਾ ਪੱਧਰ: ਕਿਸ ਆਬਾਦੀ ਵਿੱਚ, ਕਿੰਨੇ ਮਾਮਲਿਆਂ ਵਿੱਚ, ਕਿਹੜੇ ਮੈਟ੍ਰਿਕਸ (ਸੰਵੇਦਨਸ਼ੀਲਤਾ, ਵਿਸ਼ੇਸ਼ਤਾ, ਗਲਤ ਨਕਾਰਾਤਮਕ) ਨਾਲ ਮਾਡਲ ਦੀ ਜਾਂਚ ਕੀਤੀ ਗਈ ਸੀ? ਕੀ ਕੋਈ ਪ੍ਰਕਾਸ਼ਿਤ, ਸੁਤੰਤਰ ਸਬੂਤ ਹੈ?
- ਰੈਗੂਲੇਟਰੀ ਮਨਜ਼ੂਰੀ: ਕੀ ਉਤਪਾਦ ਨੂੰ ਮੈਡੀਕਲ ਡਿਵਾਈਸ ਵਜੋਂ ਮਨਜ਼ੂਰੀ ਦਿੱਤੀ ਗਈ ਹੈ (ਜਿਵੇਂ ਕਿ CE ਮਾਰਕਿੰਗ, ਸੰਬੰਧਿਤ ਰੈਗੂਲੇਟਰੀ ਮਨਜ਼ੂਰੀ)? ਮਨਜ਼ੂਰੀ ਦੁਆਰਾ ਕਿਹੜੀ ਵਰਤੋਂ ਕਵਰ ਕੀਤੀ ਜਾਂਦੀ ਹੈ?
- ਸਥਾਨਕ ਪੁਸ਼ਟੀਕਰਨ: ਸਭ ਤੋਂ ਨਾਜ਼ੁਕ ਕਦਮ। ਕੀ ਮਾਡਲ ਨੂੰ ਤੁਹਾਡੀ ਆਪਣੀ ਡਿਵਾਈਸ, ਤੁਹਾਡੇ ਆਪਣੇ ਪ੍ਰੋਟੋਕੋਲ, ਤੁਹਾਡੀ ਆਪਣੀ ਆਬਾਦੀ 'ਤੇ ਟੈਸਟ ਕੀਤਾ ਗਿਆ ਹੈ? ਡਿਸਟਰੀਬਿਊਸ਼ਨ ਡ੍ਰਾਈਫਟ (ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਕਮੀ ਕਿਉਂਕਿ ਸਿਖਲਾਈ ਦੀਆਂ ਸਥਿਤੀਆਂ ਤੋਂ ਦੂਰ ਚਲੀ ਜਾਂਦੀ ਹੈ) ਸਥਾਨਕ ਪ੍ਰਮਾਣਿਕਤਾ ਤੋਂ ਬਿਨਾਂ ਨਹੀਂ ਦੇਖਿਆ ਜਾਂਦਾ ਹੈ।
- ਟਰੇਸੇਬਿਲਟੀ: ਕੀ ਮਾਡਲ ਸੰਸਕਰਣ, ਅੱਪਡੇਟ ਅਤੇ ਪ੍ਰਦਰਸ਼ਨ ਤਬਦੀਲੀ ਨੂੰ ਟਰੈਕ ਕੀਤਾ ਗਿਆ ਹੈ?
ਨੈਤਿਕ ਮਾਪ
ਅਲਗੋਰਿਦਮਿਕ ਪੱਖਪਾਤ: ਜੇਕਰ ਮਾਡਲ ਨੂੰ ਕਿਸੇ ਖਾਸ ਆਬਾਦੀ 'ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਇਹ ਦੂਜੇ ਸਮੂਹਾਂ (ਉਮਰ, ਲਿੰਗ, ਨਸਲ, ਦੁਰਲੱਭ ਬਿਮਾਰੀ) ਵਿੱਚ ਮਾੜਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਅਸਮਾਨਤਾ ਨੂੰ ਵਧਾ ਸਕਦਾ ਹੈ। ਮਰੀਜ਼ ਦੀ ਸਹਿਮਤੀ ਅਤੇ ਪਾਰਦਰਸ਼ਤਾ: ਕੀ ਮਰੀਜ਼ ਨੂੰ ਪਤਾ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਉਸ ਦੇ ਨਿਦਾਨ ਵਿੱਚ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾ ਰਹੀ ਹੈ; ਸੰਸਥਾ ਇਸ ਨੂੰ ਪਾਰਦਰਸ਼ੀ ਕਿਵੇਂ ਬਣਾਉਂਦੀ ਹੈ? ਦੇਣਦਾਰੀ: ਜੇਕਰ AI-ਸਹਾਇਤਾ ਪ੍ਰਾਪਤ ਰੀਡਿੰਗ ਵਿੱਚ ਕੋਈ ਗਲਤੀ ਹੁੰਦੀ ਹੈ, ਤਾਂ ਕੌਣ ਜ਼ਿੰਮੇਵਾਰ ਹੈ - ਜਵਾਬ ਰੇਡੀਓਲੋਜਿਸਟ ਕੋਲ ਹੈ ਜਿਸਨੇ ਸਾਈਨ ਆਫ ਕੀਤਾ ਹੈ; AI ਜ਼ਿੰਮੇਵਾਰੀ ਨਹੀਂ ਲੈਂਦਾ। ਨਿਰਪੱਖ ਪਹੁੰਚ: ਜੇ ਏਆਈ ਟੂਲ ਕੁਝ ਕੇਂਦਰਾਂ ਵਿੱਚ ਉਪਲਬਧ ਹਨ ਅਤੇ ਦੂਜਿਆਂ ਵਿੱਚ ਨਹੀਂ, ਤਾਂ ਇਹ ਅਸਮਾਨਤਾ ਦਾ ਇੱਕ ਸਰੋਤ ਹੋ ਸਕਦਾ ਹੈ।
ਤਿੰਨ ਛੋਟੇ ਕੇਸ
ਕੇਸ 1 — ਏਮਬੈਡਡ ਟੈਕਸਟ ਉਲੰਘਣਾ। ਇੱਕ ਡਾਕਟਰ ਇੱਕ ਦਿਲਚਸਪ ਅਲਟਰਾਸਾਊਂਡ ਚਿੱਤਰ ਨੂੰ ਅੱਪਲੋਡ ਕਰਦਾ ਹੈ, ਇਸਦੇ ਸਿਰਲੇਖ ਨੂੰ ਸਾਫ਼ ਕਰਦਾ ਹੈ, ਅਤੇ ਇਸਨੂੰ ਇੱਕ ਜਨਤਕ AI ਟੂਲ 'ਤੇ ਅੱਪਲੋਡ ਕਰਦਾ ਹੈ। ਪਰ ਚਿੱਤਰ ਦੇ ਕੋਨੇ ਵਿੱਚ ਮਰੀਜ਼ ਦਾ ਨਾਮ ਅਤੇ ਪ੍ਰੋਟੋਕੋਲ ਨੰਬਰ ਪਿਕਸਲ ਵਿੱਚ ਲਿਖਿਆ ਹੋਇਆ ਹੈ; ਭਾਵੇਂ ਸਿਰਲੇਖ ਸਾਫ਼ ਸੀ, ਇਸ ਵਿੱਚ ਇੱਕ ਏਮਬੈਡਡ ਪੋਸਟ ਆਈਡੀ ਹੈ। ਸੰਸਥਾ ਨੂੰ ਇੱਕ KVKK ਸੂਚਨਾ ਮਿਲਦੀ ਹੈ। ਸਹੀ ਤਰੀਕਾ ਏਮਬੈਡ ਕੀਤੇ ਖੇਤਰ ਨੂੰ ਮਾਸਕ ਕਰਨਾ ਅਤੇ ਇਸ ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਸਾਂਝਾ ਕਰਨਾ ਸੀ।
ਕੇਸ 2 - ਸਥਾਨਕ ਤਸਦੀਕ ਤੋਂ ਬਿਨਾਂ ਪ੍ਰਸਾਰ। ਇੱਕ ਕੇਂਦਰ ਨਿਯਮਿਤ ਤੌਰ 'ਤੇ ਆਪਣੇ ਮਰੀਜ਼ ਸਮੂਹ ਵਿੱਚ ਇਸ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕੀਤੇ ਬਿਨਾਂ ਵਿਦੇਸ਼ੀ ਆਬਾਦੀ 'ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਹੱਡੀਆਂ ਦੀ ਉਮਰ ਦੇ ਮਾਡਲ ਨੂੰ ਪੇਸ਼ ਕਰਦਾ ਹੈ। ਮਹੀਨਿਆਂ ਬਾਅਦ, ਇਹ ਦੇਖਿਆ ਗਿਆ ਹੈ ਕਿ ਮਾਡਲ ਆਪਣੀ ਆਬਾਦੀ ਵਿੱਚ ਯੋਜਨਾਬੱਧ ਤੌਰ 'ਤੇ ਪੱਖਪਾਤੀ ਹੈ। ਜੇਕਰ ਸਥਾਨਕ ਤਸਦੀਕ ਕੀਤਾ ਗਿਆ ਸੀ, ਤਾਂ ਇਹ ਸ਼ੁਰੂਆਤ ਤੋਂ ਦੇਖਿਆ ਜਾਵੇਗਾ. ਸਬਕ: ਇੱਥੋਂ ਤੱਕ ਕਿ ਰੈਗੂਲੇਟਰੀ ਪ੍ਰਵਾਨਗੀ ਵੀ ਸਥਾਨਕ ਤਸਦੀਕ ਦਾ ਕੋਈ ਬਦਲ ਨਹੀਂ ਹੈ।
ਕੇਸ 3 - ਗੁਮਨਾਮਤਾ ਦੀ ਰਿਪੋਰਟ ਕਰੋ। ਇੱਕ ਰੇਡੀਓਲੋਜਿਸਟ ਇੱਕ AI ਟੂਲ ਦੁਆਰਾ ਆਪਣੇ ਸਹਿਯੋਗੀ ਨਾਲ ਇੱਕ ਮੁਸ਼ਕਲ ਮਾਮਲੇ 'ਤੇ ਚਰਚਾ ਕਰਨਾ ਚਾਹੁੰਦਾ ਹੈ। ਉਸਨੇ ਕਹਾਣੀ ਨੂੰ "Ayşe Yılmaz, ਪ੍ਰੋਟੋਕੋਲ 2024-114523, ਛਾਤੀ ਦੇ ਕੈਂਸਰ" ਦੀ ਬਜਾਏ "62 ਸਾਲਾ ਔਰਤ, ਛਾਤੀ ਦੇ ਕੈਂਸਰ ਦਾ ਜਾਣਿਆ ਇਤਿਹਾਸ" ਵਜੋਂ ਦੁਬਾਰਾ ਲਿਖਿਆ; ਚਿੱਤਰ ਨੂੰ DICOM ਸਿਰਲੇਖ ਕਲੀਅਰ ਕਰਨ ਅਤੇ ਏਮਬੈਡ ਕੀਤੇ ਟੈਕਸਟ ਨੂੰ ਮਾਸਕ ਨਾਲ ਸਾਂਝਾ ਕਰਦਾ ਹੈ। ਕਲੀਨਿਕਲ ਚਰਚਾ ਹੁੰਦੀ ਹੈ, ਕੋਈ ਪਛਾਣ ਪ੍ਰਗਟ ਨਹੀਂ ਕੀਤੀ ਜਾਂਦੀ. ਸਹੀ ਅਨਾਮਾਈਜ਼ੇਸ਼ਨ ਨੇ ਸੁਰੱਖਿਅਤ AI ਵਰਤੋਂ ਨੂੰ ਸਮਰੱਥ ਬਣਾਇਆ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:
Ayşe Yılmaz, TC 123..., ਪ੍ਰੋਟੋਕੋਲ 2024-114523, ਛਾਤੀ ਦਾ ਕੈਂਸਰ, ਇਸ MRI ਦੀ ਵਿਆਖਿਆ ਕਰੋ।
ਪਛਾਣ ਖੁੱਲ੍ਹ ਕੇ ਸਾਂਝੀ ਕੀਤੀ ਜਾਂਦੀ ਹੈ; ਇਹ KVKK ਦੀ ਉਲੰਘਣਾ ਹੈ, ਇਸ ਨੂੰ ਪ੍ਰੋਂਪਟ ਲਿਖੇ ਜਾਣ ਤੋਂ ਪਹਿਲਾਂ ਬੰਦ ਕਰ ਦੇਣਾ ਚਾਹੀਦਾ ਸੀ।
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:
ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਗੁਮਨਾਮ ਕੰਟਰੋਲ ਸਹਾਇਕ। ਹੇਠਾਂ ਦਿੱਤੇ ਟੈਕਸਟ ਤੋਂ ਆਪਣਾ ਨਾਮ, TR ID, ਪ੍ਰੋਟੋਕੋਲ/ਪ੍ਰੀਖਿਆ ਨੰਬਰ, ਜਨਮ ਮਿਤੀ, ਸੰਪਰਕ ਅਤੇ ਸੰਸਥਾ ਦੀ ਜਾਣਕਾਰੀ ਹਟਾਓ; ਇਸਨੂੰ "[ਹਟਾਏ]" ਨਾਲ ਬਦਲੋ। ਸਿਰਫ਼ ਡਾਕਟਰੀ ਤੌਰ 'ਤੇ ਲੋੜੀਂਦੀ ਅਗਿਆਤ ਜਾਣਕਾਰੀ (ਉਮਰ ਸਮੂਹ, ਲਿੰਗ, ਸੰਬੰਧਿਤ ਇਤਿਹਾਸ) ਛੱਡੋ। ਮੈਨੂੰ ਇਹ ਵੀ ਯਾਦ ਦਿਵਾਓ: ਜੇਕਰ ਮੈਂ ਇੱਕ ਚਿੱਤਰ ਸਾਂਝਾ ਕਰਨ ਜਾ ਰਿਹਾ ਹਾਂ, ਤਾਂ ਮੈਨੂੰ ਚਿੱਤਰ ਵਿੱਚ ਸ਼ਾਮਲ DICOM ਸਿਰਲੇਖ ਅਤੇ ਟੈਕਸਟ ਨੂੰ ਵੀ ਸਾਫ਼ ਕਰਨ ਦੀ ਲੋੜ ਹੈ, ਅਤੇ ਸਿਰ/ਦਿਮਾਗ ਦੇ ਚਿੱਤਰਾਂ ਵਿੱਚ ਚਿਹਰੇ ਦੇ ਡੇਟਾ ਨੂੰ ਵਿਚਾਰਨ ਦੀ ਲੋੜ ਹੈ। ਟੈਕਸਟ: [ਪਾਠ ਪੇਸਟ ਕਰੋ]
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰੋਂਪਟ ਐਕਸਟਰੈਕਟ ਆਈਡੀ, ਏਮਬੈਡਡ/ਸਿਰਲੇਖ ਅਤੇ ਚਿਹਰੇ ਦੇ ਡੇਟਾ ਦੀ ਯਾਦ ਦਿਵਾਉਂਦਾ ਹੈ।
ਕਾਪੀ ਕਰਨ ਯੋਗ ਪ੍ਰੋਂਪਟ ਟੈਂਪਲੇਟਸ
ਅਗਿਆਤਕਰਨ ਨਿਯੰਤਰਣ ਟੈਂਪਲੇਟ ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਅਗਿਆਤਕਰਨ ਸਹਾਇਕ। ਟੈਕਸਟ ਤੋਂ ਨਾਮ, TR ID ਨੰਬਰ, ਪ੍ਰੋਟੋਕੋਲ/ਪ੍ਰੀਖਿਆ ਨੰਬਰ, ਜਨਮ ਮਿਤੀ, ਸੰਪਰਕ ਅਤੇ ਸੰਸਥਾ ਦੀ ਜਾਣਕਾਰੀ ਨੂੰ ਐਕਸਟਰੈਕਟ ਕਰੋ; "[ਹਟਾਏ]" ਟਾਈਪ ਕਰੋ। ਸਿਰਫ਼ ਡਾਕਟਰੀ ਤੌਰ 'ਤੇ ਲੋੜੀਂਦੀ ਅਗਿਆਤ ਜਾਣਕਾਰੀ ਛੱਡੋ। ਮੈਨੂੰ ਯਾਦ ਕਰਾਓ ਕਿ ਜੇਕਰ ਮੈਂ ਕੋਈ ਚਿੱਤਰ ਸਾਂਝਾ ਕਰਨ ਜਾ ਰਿਹਾ ਹਾਂ, ਤਾਂ ਮੈਨੂੰ ਸਿਰਲੇਖ + ਏਮਬੇਡ + ਫੇਸ ਡੇਟਾ ਨੂੰ ਸਾਫ਼ ਕਰਨ ਦੀ ਲੋੜ ਹੈ। ਟੈਕਸਟ: [ਲਿਖੋ]
ਮਾਡਲ ਪ੍ਰਮਾਣਿਕਤਾ ਸਵਾਲ ਟੈਮਪਲੇਟ ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਸਹਾਇਕ। ਮੈਂ ਇੱਕ AI ਮਾਡਲ ਦਾ ਮੁਲਾਂਕਣ ਕਰਾਂਗਾ। ਮੈਨੂੰ ਪੁੱਛਣ ਲਈ ਲੋੜੀਂਦੇ ਸਵਾਲ ਤਿਆਰ ਕਰੋ: ਕਿਹੜੀ ਆਬਾਦੀ/ਮਾਮਲੇ ਦੀ ਗਿਣਤੀ/ਮੈਟ੍ਰਿਕਸ, ਰੈਗੂਲੇਟਰੀ ਪ੍ਰਵਾਨਗੀ ਦਾ ਦਾਇਰਾ, ਕੀ ਸਥਾਨਕ ਪ੍ਰਮਾਣਿਕਤਾ ਹੋ ਗਈ ਹੈ, ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਡਰਾਫਟ ਦਾ ਜੋਖਮ, ਸੰਸਕਰਣ ਟਰੈਕਿੰਗ। ਫੈਸਲਾ ਸੰਸਥਾ ਦੇ ਹੱਥ ਵਿੱਚ ਹੈ। ਮਾਡਲ ਜਾਣਕਾਰੀ: [ਗਰਮੀਆਂ]
ਨੈਤਿਕਤਾ/BIAS ਚੈਕ ਟੈਂਪਲੇਟI ਤੁਹਾਨੂੰ AI ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦਾ ਸੰਦਰਭ ਪ੍ਰਦਾਨ ਕਰੇਗਾ। ਐਲਗੋਰਿਦਮਿਕ ਪੱਖਪਾਤ (ਜੋ ਸਮੂਹਾਂ ਵਿੱਚ ਮਾੜਾ ਕੰਮ ਕਰ ਸਕਦਾ ਹੈ), ਮਰੀਜ਼ ਦੀ ਸਹਿਮਤੀ/ਪਾਰਦਰਸ਼ਤਾ, ਜਵਾਬਦੇਹੀ, ਅਤੇ ਨਿਰਪੱਖ ਪਹੁੰਚ ਲਈ ਮੁਲਾਂਕਣ ਕਰੋ; ਉਹ ਸਵਾਲ ਲਿਖੋ ਜੋ ਸੰਸਥਾ ਨੂੰ ਹਰੇਕ ਸਿਰਲੇਖ ਹੇਠ ਪੁੱਛਣਾ ਚਾਹੀਦਾ ਹੈ। ਪ੍ਰਸੰਗ: [ਲਿਖੋ]
ਡੇਟਾ ਫਲੋ ਪ੍ਰਾਈਵੇਸੀ ਟੈਂਪਲੇਟI ਤੁਹਾਨੂੰ ਇੱਕ ਏਆਈ ਟੂਲ ਨੂੰ ਡੇਟਾ ਭੇਜਣ ਦਾ ਇੱਕ ਦ੍ਰਿਸ਼ ਪ੍ਰਦਾਨ ਕਰੇਗਾ। ਇੱਕ ਚੈਕਲਿਸਟ ਬਣਾਓ ਜੋ ਪੁੱਛਦੀ ਹੈ ਕਿ ਡੇਟਾ ਕਿੱਥੇ ਜਾਂਦਾ ਹੈ, ਕੀ ਇਹ ਸਟੋਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਕੀ ਇਹ ਮਾਡਲ ਸਿਖਲਾਈ ਵਿੱਚ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਇਸਦਾ DPA/ਕਾਨੂੰਨੀ ਅਧਾਰ ਸਥਿਤੀ। ਸਾਨੂੰ ਬਾਹਰੀ ਵਾਹਨਾਂ ਲਈ ਅਗਿਆਤਤਾ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਬਾਰੇ ਯਾਦ ਦਿਵਾਓ। ਸਕ੍ਰਿਪਟ: [ਲਿਖੋ]
ਆਮ ਗਲਤੀਆਂ
- ਸਿਰਫ਼ ਸਿਰਲੇਖ ਨੂੰ ਸਾਫ਼ ਕਰੋ ਅਤੇ ਏਮਬੈਡ ਕੀਤੇ ਟੈਕਸਟ ਬਾਰੇ ਭੁੱਲ ਜਾਓ। ਚਿੱਤਰ ਅਜੇ ਵੀ ਪਛਾਣ ਰੱਖਦਾ ਹੈ.
- ਚਿਹਰੇ ਦੇ ਡੇਟਾ ਨੂੰ ਅਣਡਿੱਠ ਕਰਨਾ। ਸਿਰ/ਦਿਮਾਗ ਦੀਆਂ 3D ਤਸਵੀਰਾਂ ਤੋਂ ਵਿਅਕਤੀ ਨੂੰ ਪਛਾਣਿਆ ਜਾ ਸਕਦਾ ਹੈ।
- ਸਥਾਨਕ ਪ੍ਰਮਾਣਿਕਤਾ ਲਈ ਰੈਗੂਲੇਟਰੀ ਪ੍ਰਵਾਨਗੀ ਨੂੰ ਬਦਲਣਾ। ਸਹਿਮਤੀ ਸਕੋਪ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ; ਇਹ ਤੁਹਾਡੇ ਆਪਣੇ ਡੇਟਾ 'ਤੇ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਗਾਰੰਟੀ ਨਹੀਂ ਦਿੰਦਾ ਹੈ।
- ਐਲਗੋਰਿਦਮਿਕ ਪੱਖਪਾਤ ਬਾਰੇ ਨਹੀਂ ਪੁੱਛ ਰਿਹਾ। ਮਾਡਲ ਕੁਝ ਸਮੂਹਾਂ ਲਈ ਮਾੜਾ ਕੰਮ ਕਰ ਸਕਦਾ ਹੈ, ਅਸਮਾਨਤਾ ਨੂੰ ਵਧਾ ਸਕਦਾ ਹੈ।
- AI ਨੂੰ ਜ਼ਿੰਮੇਵਾਰੀ ਸੌਂਪੀ ਜਾ ਰਹੀ ਹੈ। ਦਸਤਖਤ ਰੇਡੀਓਲੋਜਿਸਟ ਕੋਲ ਹਨ; ਗਲਤੀ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਇਨਸਾਨਾਂ ਦੀ ਹੁੰਦੀ ਹੈ।
ਸੰਕੇਤ: ਸੰਸਥਾ ਤੋਂ ਬਾਹਰ ਕੋਈ ਵੀ ਡੇਟਾ ਭੇਜਣ ਤੋਂ ਪਹਿਲਾਂ, ਇੱਕ ਸਵਾਲ ਪੁੱਛੋ: "ਜੇ ਇਹ ਡੇਟਾ ਲੀਕ ਹੋ ਗਿਆ ਸੀ, ਤਾਂ ਕੀ ਇੱਕ ਮਰੀਜ਼ ਦੀ ਪਛਾਣ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ?" ਜੇਕਰ ਜਵਾਬ "ਹਾਂ" ਜਾਂ "ਯਕੀਨੀ ਨਹੀਂ" ਹੈ, ਤਾਂ ਡੇਟਾ ਅਜੇ ਅਗਿਆਤ ਨਹੀਂ ਹੈ - ਇਸਨੂੰ ਨਾ ਭੇਜੋ।
ਸਾਰੰਸ਼ ਵਿੱਚ
ਰੇਡੀਓਲੌਜੀਕਲ ਚਿੱਤਰ ਅਤੇ ਰਿਪੋਰਟਾਂ ਵਿਸ਼ੇਸ਼ ਨਿੱਜੀ ਡੇਟਾ ਹਨ ਅਤੇ KVKK/GDPR ਦੇ ਦਾਇਰੇ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਧ ਸੁਰੱਖਿਆ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। DICOM ਡੇਟਾ ਦੋ ਲੇਅਰਾਂ ਵਿੱਚ ਪਛਾਣ ਰੱਖਦਾ ਹੈ — ਸਿਰਲੇਖ ਅਤੇ ਚਿੱਤਰ ਵਿੱਚ ਏਮਬੈਡਡ ਟੈਕਸਟ — ਅਤੇ ਕੋਈ ਵੀ ਡੇਟਾ ਐਂਟਰਪ੍ਰਾਈਜ਼ ਨੂੰ ਦੋਵਾਂ ਨੂੰ ਰਗੜਨ ਤੋਂ ਬਿਨਾਂ ਨਹੀਂ ਛੱਡਦਾ, ਨਾਲ ਹੀ ਜੇਕਰ ਲੋੜ ਹੋਵੇ ਤਾਂ ਚਿਹਰੇ ਦਾ ਡੇਟਾ ਵੀ। ਕਿਸੇ ਮਾਡਲ 'ਤੇ ਭਰੋਸਾ ਕਰਨ ਲਈ, ਇਸਦੀ ਪ੍ਰਮਾਣਿਕਤਾ, ਸਬੂਤ ਦਾ ਪੱਧਰ, ਰੈਗੂਲੇਟਰੀ ਪ੍ਰਵਾਨਗੀ, ਅਤੇ ਸਥਾਨਕ ਪ੍ਰਮਾਣਿਕਤਾ, ਖਾਸ ਤੌਰ 'ਤੇ ਤੁਹਾਡੀ ਆਪਣੀ ਡਿਵਾਈਸ/ਜਨਸੰਖਿਆ ਵਿੱਚ, ਮੁਲਾਂਕਣ ਕੀਤਾ ਜਾਂਦਾ ਹੈ; ਰੈਗੂਲੇਟਰੀ ਪ੍ਰਵਾਨਗੀ ਸਥਾਨਕ ਪੁਸ਼ਟੀਕਰਨ ਦਾ ਬਦਲ ਨਹੀਂ ਹੈ। ਨੈਤਿਕ ਪਹਿਲੂ ਵਿੱਚ, ਅਲਗੋਰਿਦਮਿਕ ਪੱਖਪਾਤ, ਮਰੀਜ਼ ਦੀ ਸਹਿਮਤੀ, ਪਾਰਦਰਸ਼ਤਾ, ਨਿਰਪੱਖ ਪਹੁੰਚ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਬਾਰੇ ਸਵਾਲ ਕੀਤੇ ਗਏ ਹਨ। ਸਾਰੇ ਮਾਮਲਿਆਂ ਵਿੱਚ, ਦਸਤਖਤ, ਜ਼ਿੰਮੇਵਾਰੀ ਅਤੇ ਅੰਤਿਮ ਫੈਸਲਾ ਰੇਡੀਓਲੋਜਿਸਟ ਨਾਲ ਸਬੰਧਤ ਹੈ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਇੱਕ ਤੱਥ ਟੈਕਸਟ ਅਤੇ ਇੱਕ ਚਿੱਤਰ ਸ਼ੇਅਰਿੰਗ ਦ੍ਰਿਸ਼ ਬਣਾਓ। "ਅਗਿਆਨੀ ਜਾਂਚ" ਟੈਮਪਲੇਟ ਅਤੇ ਸੂਚੀ ਸਿਰਲੇਖ/ਏਮਬੈਡ ਕੀਤੇ ਟੈਕਸਟ/ਫੇਸ ਡੇਟਾ ਜਾਂਚ ਦੇ ਕਦਮਾਂ ਨਾਲ ਟੈਕਸਟ ਨੂੰ ਗੁਮਨਾਮ ਬਣਾਓ। ਫਿਰ ਉਸ ਮਾਡਲ ਦਾ ਮੁਲਾਂਕਣ ਕਰੋ ਜਿਸਦੀ ਤੁਸੀਂ ਵਰਤੋਂ ਕਰ ਰਹੇ ਹੋ (ਜਾਂ ਵਿਚਾਰ ਕਰ ਰਹੇ ਹੋ) “ਮਾਡਲ ਪ੍ਰਮਾਣਿਕਤਾ ਪੁੱਛਗਿੱਛ” ਟੈਮਪਲੇਟ ਨਾਲ: ਆਬਾਦੀ, ਪ੍ਰਮਾਣਿਕਤਾ ਦਾ ਘੇਰਾ, ਸਥਾਨਕ ਪ੍ਰਮਾਣਿਕਤਾ ਸਥਿਤੀ। ਅੰਤ ਵਿੱਚ, "ਨੈਤਿਕਤਾ/ਪੱਖਪਾਤ ਨਿਯੰਤਰਣ" ਟੈਮਪਲੇਟ ਦੇ ਨਾਲ, ਲਿਖੋ ਕਿ ਕਿਹੜੇ ਸਮੂਹਾਂ ਵਿੱਚ ਇਹ ਮਾਡਲ ਮਾੜਾ ਕੰਮ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਪਾਰਦਰਸ਼ਤਾ/ਜਵਾਬਦੇਹੀ ਦੇ ਸਵਾਲ ਹਨ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ DICOM ਸਿਰਲੇਖ ਵਿੱਚ ID ਖੇਤਰਾਂ ਨੂੰ ਸਾਫ਼ ਕਰ ਦਿੱਤਾ ਹੈ।
- [ ] ਮੈਂ ਚਿੱਤਰ ਵਿੱਚ ਬਰਨ-ਇਨ ਟੈਕਸਟ ਨੂੰ ਮਾਸਕ/ਕਰੌਪ ਕੀਤਾ ਹੈ।
- [ ] ਮੈਂ ਸਿਰ/ਦਿਮਾਗ ਦੀਆਂ ਤਸਵੀਰਾਂ ਵਿੱਚ ਚਿਹਰੇ ਦੇ ਡੇਟਾ ਦੇ ਜੋਖਮ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ।
- [ ] ਮੈਂ ਰਿਪੋਰਟ/ਕਹਾਣੀ ਟੈਕਸਟ (ਨਾਮ, ID, ਪ੍ਰੋਟੋਕੋਲ, ਜਨਮ ਮਿਤੀ) ਨੂੰ ਅਗਿਆਤ ਕੀਤਾ।
- [ ] ਮੈਂ ਬਾਹਰੀ ਟੂਲ ਲਈ ਡੇਟਾ ਪ੍ਰਵਾਹ ਅਤੇ DPA/ਕਾਨੂੰਨੀ ਆਧਾਰ 'ਤੇ ਸਵਾਲ ਕੀਤਾ।
- [ ] ਮੈਂ ਮਾਡਲ ਦੀ ਸਥਾਨਕ ਪ੍ਰਮਾਣਿਕਤਾ ਅਤੇ ਪ੍ਰਮਾਣਿਕਤਾ ਦਾਇਰੇ ਦੀ ਜਾਂਚ ਕੀਤੀ।
- [ ] ਮੈਂ ਐਲਗੋਰਿਦਮਿਕ ਪੱਖਪਾਤ, ਪਾਰਦਰਸ਼ਤਾ, ਅਤੇ ਜਵਾਬਦੇਹੀ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ; ਮੇਰੇ ਹਸਤਾਖਰ ਹਨ।