Прибыль:
- Возможность распознавать встроенную идентификационную информацию (заголовок и записанные данные) в изображениях DICOM и применять правила анонимизации и безопасного обмена.
- Способность критически оценивать валидацию, уровень доказательности, одобрение регулирующих органов (CE/нормативы) и локальную валидацию модели ИИ.
- Способность решать этические проблемы, такие как алгоритмическая предвзятость, согласие пациента, ответственность и прозрачность в контексте визуализации.
Радиологические данные являются одним из наиболее чувствительных типов персональных данных. Образ передает не только болезнь, но и то, чья это болезнь; МРТ головного мозга может идентифицировать человека посредством реконструкции лица, файл DICOM хранит в заголовке имя пациента, идентификационный номер и дату рождения. В эпоху искусственного интеллекта эти данные легко загрузить в инструмент, поделиться ими или использовать для обучения модели — и именно эта простота создает наибольший риск для конфиденциальности. В этом модуле мы подробно обсудим анонимизацию DICOM, KVKK/конфиденциальность, проверку модели и вопросы этики.
Основной принцип: радиологические изображения и отчеты являются особыми персональными данными. Идентификационные данные в заголовке DICOM и встроенные в изображение не передаются никаким внешним инструментам без анонимизации. Надежность модели; Валидация оценивается уровнем доказательности, одобрением регулирующих органов и местной проверкой. Ответственность, подпись и окончательное решение всегда лежат на рентгенологе.
DICOM несет идентичность на двух уровнях.
Радиологические данные, в отличие от других медицинских данных, несут идентичность на двух отдельных уровнях, и анонимизация будет неполной без очистки обоих.
1. Заголовок DICOM: структурированные поля в начале файла изображения — имя пациента, идентификационный номер/номер протокола, дата рождения, пол, учреждение, дата исследования, устройство. Эти области можно удалить/замаскировать с помощью специального инструмента, но если их забыть, изображение продолжит нести идентификацию, хотя и будет считаться «анонимным».
2. Записанные данные. На некоторых изображениях — особенно ультразвуковых изображениях, снимках экрана рентгеноскопии, внешних сканированиях — информация о пациенте записывается непосредственно в пикселях. Очистка заголовка не удаляет это; встроенный текст должен быть замаскирован (покрыт) или эта область должна быть обрезана.
Кроме того, существует риск реконструкции лица: лицо можно реконструировать в трехмерном виде по данным КТ головы/мозга и МРТ высокого разрешения; Это тоже является формой раскрытия личности и в некоторых контекстах требует «порчи».
слой
где
Как чистить
если забыл
DICOM-заголовок
Название файла
Инструмент анонимизации
ID остается открытым
встроенный текст
внутрипиксельный
Маскирование/обрезка
Изображение несет в себе индивидуальность
данные лица
3D вид головы
порча
Узнаваем по лицу
Текст отчета
РИС/текст
Удаление имени/номера
Личность идентифицирована
KVKK и безопасный обмен
В Турции KVKK (Закон о защите персональных данных) рассматривает данные о здоровье как «персональные данные особого характера» с самым высоким уровнем защиты; В Европе его эквивалентом является GDPR. Основные правила: обрабатывайте данные ровно столько, сколько необходимо для нужной цели; деанонимизация за пределами учреждения; Если вы собираетесь использовать его при обучении модели, предоставьте правовую основу и, при необходимости, явное согласие; Знайте, куда идут ваши данные. Загрузка неанонимных изображений/отчетов в общедоступный инструмент искусственного интеллекта является нарушением данных. Предпочтение следует отдавать корпоративным инструментам, которые имеют соглашение об обработке данных (DPA), не используют ваши данные при обучении модели и предпочтительно работают внутри компании/локально.
Внимание: фразы «Я только что удалил фамилию» или «инструмент уже защищен» не являются анонимизацией. Никакие данные не выходят за пределы учреждения без удаления всех имени, идентификатора TR, номера протокола/обследования, даты рождения, контактного лица, учреждения и встроенных идентификационных данных/заголовка. Анонимизация — это не привычка и не разовая задача.
Проверка модели: когда доверять модели
Недостаточно сказать, что модель «работает»; Надо спросить, как, где и сколько это работает.
- Валидация и уровень доказательности: В какой популяции, в скольких случаях и с какими показателями (чувствительность, специфичность, ложноотрицательный результат) была протестирована модель? Существуют ли опубликованные независимые доказательства?
- Одобрение регулирующих органов: одобрен ли продукт в качестве медицинского изделия (например, маркировка CE, соответствующее одобрение регулирующих органов)? На какое использование распространяется разрешение?
- Локальная проверка: самый важный шаг. Была ли модель протестирована на вашем собственном устройстве, вашем протоколе, вашей популяции? Дрейф распределения (снижение производительности по мере удаления от условий обучения) не наблюдается без локальной проверки.
- Прослеживаемость: отслеживаются ли версия модели, обновления и изменения производительности?
Этическое измерение
Алгоритмическая погрешность: если модель обучена на определенной группе населения, она может работать хуже в других группах (возраст, пол, этническая принадлежность, редкое заболевание) и усиливать неравенство. Согласие и прозрачность пациента: должен ли пациент знать, что в его диагностике используется искусственный интеллект; Как учреждение делает это прозрачным? Ответственность: если при считывании с помощью искусственного интеллекта возникает ошибка, кто несет ответственность — ответ лежит на рентгенологе, который подписал подпись; ИИ не берет на себя ответственность. Справедливый доступ. Если инструменты ИИ доступны в некоторых центрах, а не в других, это может стать источником неравенства.
три мини-кейса
Случай 1 — нарушение встроенного текста. Врач загружает интересное ультразвуковое изображение, очищает его заголовок и загружает в общедоступный инструмент искусственного интеллекта. Но в углу изображения в пикселе выгравировано имя пациента и номер протокола; Несмотря на то, что заголовок был чистым, в него был встроен идентификатор сообщения. Учреждение сталкивается с уведомлением KVKK. Правильный способ — замаскировать встроенную область и поделиться ею таким образом.
Случай 2 — Распространение без местной проверки. Центр регулярно представляет модель костного возраста, обученную на зарубежном населении, даже не проверяя ее на собственной группе пациентов. Спустя несколько месяцев замечено, что модель систематически предвзята в своих популяциях. Если бы проводилась локальная проверка, это было бы видно с самого начала. Урок: даже одобрение регулирующих органов не заменяет проверку на местном уровне.
Случай 3 — Анонимизация отчета. Радиолог хочет обсудить сложный случай со своим коллегой с помощью инструмента искусственного интеллекта. Он переписывает историю как «62-летняя женщина, известная историей рака молочной железы» вместо «Айше Йылмаз, протокол 2024-114523, рак молочной железы»; Предоставляет общий доступ к изображению с очищенным заголовком DICOM и скрытым внедренным текстом. Происходит клиническое обсуждение, личности не раскрываются. Правильная анонимизация позволила безопасно использовать ИИ.
Слабая подсказка / Сильная подсказка
Слабая подсказка:
Айше Йылмаз, ТК 123..., протокол 2024-114523, рак молочной железы, интерпретируйте эту МРТ.
Личность открыто распространяется; Это нарушение КВКК, оно должно было прекратиться до написания подсказки.
Мощная подсказка:
Ваша роль: помощник по управлению анонимизацией. Удалите свое имя, TR ID, номер протокола/обследования, дату рождения, контактную информацию и информацию об учреждении из текста ниже; замените его на «[удалено]». Оставляйте только клинически необходимую анонимную информацию (возрастная группа, пол, соответствующий анамнез). Также напомните мне: если я собираюсь поделиться изображением, мне также необходимо очистить заголовок DICOM и текст, встроенный в изображение, а также учесть данные лица в изображениях головы/мозга. Текст: [вставить текст]
Мощная подсказка извлекает идентификатор, напоминает встроенные данные/заголовок и данные лица.
Копируемые шаблоны подсказок
ШАБЛОН КОНТРОЛЯ АНОНИМИЗАЦИИВаша роль: помощник по анонимизации. Извлечь из текста имя, номер TR ID, номер протокола/обследования, дату рождения, контактную информацию и информацию об учреждении; Введите «[удалено]». Оставляйте только клинически необходимую анонимную информацию. Напомните мне, что если я собираюсь поделиться изображением, мне нужно очистить заголовок + вставку + данные о лице. Текст: [написать]
ШАБЛОН ЗАПРОСА НА ПРОВЕРКУ МОДЕЛИВаша роль: ПОМОЩНИК. Я оценю модель ИИ. Сгенерируйте вопросы, которые мне нужно задать: какая популяция/количество случаев/показатели, объем одобрения регулирующих органов, проведена ли местная проверка, риск дрейфа распространения, отслеживание версий. Решение находится в руках учреждения. Информация о модели: [лето]
ШАБЛОН ПРОВЕРКИ ЭТИКИ/предвзятости предоставит вам контекст использования модели ИИ. Оценить алгоритмическую предвзятость (которая может плохо работать в группах), согласие/прозрачность пациента, подотчетность и справедливый доступ; Напишите вопрос, который учреждение должно задать под каждым заголовком. Контекст: [написать]
ШАБЛОН КОНФИДЕНЦИАЛЬНОСТИ ПОТОКА ДАННЫХ предоставит вам сценарий отправки данных в инструмент искусственного интеллекта. Создайте контрольный список, в котором будет задан вопрос, куда отправляются данные, хранятся ли они, используются ли они при обучении модели, а также их статус DPA/правовой основы. Напомните нам об обязанности анонимизировать внешние транспортные средства. Сценарий: [написать]
Распространенные ошибки
- Просто очистите заголовок и забудьте о встроенном тексте. Изображение по-прежнему несет в себе индивидуальность.
- Игнорирование данных лица. Человека можно узнать по трехмерным изображениям головы/мозга.
- Замена одобрения регулирующих органов на местную валидацию. Согласие указывает на объем; Это не гарантирует производительность ваших собственных данных.
- Я не спрашиваю об алгоритмической предвзятости. Модель может плохо работать для некоторых групп, увеличивая неравенство.
- Передача ответственности ИИ. Подпись у врача-рентгенолога; Ответственность за ошибку лежит на людях.
Совет: Прежде чем отправлять какие-либо данные за пределы учреждения, задайте один вопрос: «Если бы эти данные утекли, можно ли было бы идентифицировать пациента?» Если ответ «да» или «не уверен», данные еще не анонимны — не отправляйте их.
В итоге
Радиологические изображения и отчеты являются особыми персональными данными и требуют высочайшей защиты в рамках KVKK/GDPR. Данные DICOM несут идентичность на двух уровнях — заголовок и текст, встроенный в изображение, — и никакие данные не покидают предприятие без очистки, а также данных о лицах, если это необходимо. Чтобы доверять модели, оцениваются ее валидация, уровень доказательности, одобрение регулирующих органов и местная валидация, особенно на вашем собственном устройстве/популяции; Одобрение регулирующих органов не заменяет местную проверку. В этическом аспекте подвергаются сомнению алгоритмическая предвзятость, согласие пациентов, прозрачность, справедливый доступ и ответственность. Во всех случаях подпись, ответственность и окончательное решение принадлежат рентгенологу.
Задача приложения
Создайте текст факта и сценарий обмена изображениями. Анонимизируйте текст с помощью шаблона «Проверка анонимизации» и перечислите этапы проверки заголовка/встроенного текста/лица. Затем оцените модель, которую вы используете (или рассматриваете), с помощью шаблона «Запрос проверки модели»: совокупность, область проверки, локальный статус проверки. Наконец, с помощью шаблона «Контроль этики/предвзятости» запишите, в каких группах эта модель может работать плохо, а также вопросы прозрачности/подотчетности.
контрольный список
- [ ] Я очистил поля идентификатора в заголовке DICOM.
- [ ] Я замаскировал/обрезал выжженный текст на изображении.
- [ ] Я оценил риск данных о лице на изображениях головы/мозга.
- [ ] Я анонимизировал текст отчета/истории (имя, удостоверение личности, протокол, дата рождения).
- [ ] Я поставил под сомнение поток данных и DPA/правовую основу для внешнего инструмента.
- [ ] Я проверил локальную проверку и область проверки модели.
- [ ] Я оценивал алгоритмическую предвзятость, прозрачность и подотчетность; У меня есть подпись.