Добици:
- Способност препознавања уграђених идентификационих информација (заглавље и урезани подаци) у ДИЦОМ слике и примену правила анонимизације и безбедног дељења
- Способност критичке процене валидације, нивоа доказа, регулаторног одобрења (ЦЕ/пропис) и локалне валидације АИ модела
- Способност решавања етичких питања као што су алгоритамска пристрасност, пристанак пацијената, одговорност и транспарентност у контексту снимања
Радиолошки подаци су једна од најосетљивијих врста личних података. Слика преноси не само болест, већ чија је болест; МРИ мозга може идентификовати особу кроз реконструкцију лица, ДИЦОМ датотека чува име пацијента, идентификациони број и датум рођења у свом заглављу. У доба вештачке интелигенције, ове податке је лако учитати у алат, поделити их или користити за обуку модела — и управо та лакоћа ствара највећи ризик за приватност. У овој јединици ћемо разговарати о ДИЦОМ анонимизацији, КВКК/приватности, валидацији модела и етичким питањима од краја до краја.
Основни принцип: Радиолошки снимци и извештаји су посебни лични подаци. Подаци о идентитету у ДИЦОМ заглављу и уграђени у слику не улазе ни у један спољни алат без анонимизације. Поузданост модела; Валидација се оцењује на основу нивоа доказа, регулаторног одобрења и локалне верификације. Одговорност, потпис и коначна одлука увек лежи на радиологу.
ДИЦОМ носи идентитет у два слоја
Радиолошки подаци, за разлику од других здравствених података, носе идентитет у два одвојена слоја и анонимизација је непотпуна без брисања оба.
1. ДИЦОМ заглавље: Структурирана поља на почетку датотеке слике — име пацијента, идентификациони/број протокола, датум рођења, пол, установа, датум прегледа, уређај. Ове области се могу избрисати/маскирати помоћу алатке, али ако се заборави слика ће наставити да носи идентификацију док се сматра да је „анонимна“.
2. Урезани подаци: На неким сликама—посебно ултразвуку, флуороскопским снимцима екрана, екстерним скенирањима—информације о пацијенту се уписују директно у пикселе. Брисањем заглавља ово се не уклања; уграђени текст треба да буде маскиран (покривен) или то подручје треба да буде изрезано.
Додатно, ризик од реконструкције лица: лице се може тродимензионално реконструисати помоћу ЦТ-а главе/мозга и МР-а високе резолуције; Ово је, такође, облик откривања идентитета и, у неким контекстима, захтева „унижавање“.
слој
где
Како очистити
ако се заборави
ДИЦОМ заглавље
Наслов датотеке
Алат за анонимизацију
ИД остаје отворен
уграђени текст
интра пикел
Маскирање/исецање
Слика носи идентитет
подаци о лицу
3Д поглед на главу
дефацинг
Препознатљив по лицу
Текст извештаја
РИС/текст
Уклањање имена/броја
Особа је идентификована
КВКК и безбедно дељење
У Турској, КВКК (Закон о заштити података о личности) третира здравствене податке као „личне податке посебне природе“ на највишем нивоу заштите; У Европи, његов еквивалент је ГДПР. Основна правила: обрађивати податке само онолико колико је потребно за потребну сврху; деанонимизација ван установе; Ако ћете га користити у обуци за моделе, обезбедите законску основу и изричиту сагласност ако је потребно; Знајте где иду ваши подаци. Отпремање неанонимизираних слика/извештаја у јавни алат за вештачку интелигенцију представља кршење података. Корпоративни алати који имају уговор о обради података (ДПА), не користе ваше податке у обуци за моделе, и пожељно је да раде у компанији/локално.
Пажња: Рећи „Управо сам обрисао презиме“ или „алатка је већ сигурна“ није анонимизација. Ниједан податак не излази ван институције без уклањања свих имена, ТР ИД-а, броја протокола/испита, датума рођења, контакта, институције и уграђених података/заглавља идентитета. Анонимизација није навика, није једнократни задатак.
Валидација модела: када веровати моделу
Није довољно рећи да модел „ради“; Треба се запитати како, где и колико ради.
- Валидација и ниво доказа: У којој популацији, у колико случајева, са којим метрикама (осетљивост, специфичност, лажно негативан) је модел тестиран? Да ли постоје објављени независни докази?
- Регулаторно одобрење: Да ли је производ одобрен као медицински уређај (нпр. ЦЕ ознака, релевантно регулаторно одобрење)? Коју употребу покрива одобрење?
- Локална верификација: Најкритичнији корак. Да ли је модел тестиран на вашем уређају, вашем сопственом протоколу, вашој популацији? Померање дистрибуције (смањење перформанси како се неко удаљава од услова за тренинг) се не види без локалне валидације.
- Следљивост: Да ли се прате верзија модела, ажурирања и промене перформанси?
Етичка димензија
Алгоритамска пристрасност: Ако је модел обучен за одређену популацију, може бити лошији у другим групама (старост, пол, етничка припадност, ретка болест) и повећати неједнакост. Сагласност и транспарентност пацијента: Да ли пацијент зна да се у његовој дијагнози користи вештачка интелигенција; Како институција ово чини транспарентним? Одговорност: Ако очитавање уз помоћ вештачке интелигенције направи грешку, ко је одговоран – одговор лежи на радиологу који је одјавио; АИ не преузима одговорност. Праведан приступ: Ако су АИ алати доступни у неким центрима, а не у другим, то може бити извор неједнакости.
три мини кофера
Случај 1 — Кршење уграђеног текста. Лекар поставља занимљиву ултразвучну слику, чисти њено заглавље и поставља је у јавни алат за вештачку интелигенцију. Али у углу слике налази се име пацијента и број протокола урезани у пиксел; Иако је заглавље било чисто, носило је уграђени ИД поста. Институција наилази на обавештење КВКК. Исправан начин је био маскирати уграђену област и тако је поделити.
Случај 2 — Дисеминација без локалне верификације. Центар рутински уводи модел коштаног доба обучен на прекоморској популацији, а да га никада није потврдио у својој групи пацијената. Месецима касније, примећује се да је модел систематски пристрасан у својој популацији. Када би се радила локална верификација, то би се видело од почетка. Поука: чак ни регулаторно одобрење није замена за локалну верификацију.
Случај 3 — Пријавите анонимизацију. Радиолог жели да разговара о тешком случају са својим колегом путем АИ алата. Он поново пише причу као „62-годишња жена, позната историја рака дојке“ уместо „Аисе Иıлмаз, протокол 2024-114523, рак дојке“; Дели слику са обрисаним ДИЦОМ заглављем и маскираним уграђеним текстом. Клиничка дискусија се одвија, идентитети нису откривени. Правилна анонимизација је омогућила безбедну употребу вештачке интелигенције.
Слаби промпт / Јаки промпт
Слабо обавештење:
Аисе Иıлмаз, ТЦ 123..., протокол 2024-114523, рак дојке, интерпретирајте ову магнетну резонанцу.
Идентитет се отворено дели; Ово је кршење КВКК-а, требало је да се заустави пре него што је промпт написан.
Снажан упит:
Ваша улога: помоћник у контроли анонимизације. Уклоните своје име, ТР ИД, број протокола/испита, датум рођења, контакт и информације о установи из текста испод; замените га са „[уклоњено]“. Оставите само клинички неопходне анонимне информације (старосна група, пол, релевантна историја). Такође ме подсетите: ако ћу да делим слику, такође морам да обришем ДИЦОМ заглавље и текст уграђен у слику и размотрим податке о лицу у сликама главе/мозга. Текст: [налепи текст]
Моћни промпт издваја ИД, подсећа на уграђене/заглавље и податке о лицу.
Шаблони упита који се могу копирати
ШАБЛОНА ЗА КОНТРОЛУ АНОНИМИЗАЦИЈЕ Ваша улога: помоћник за анонимизацију. Извод из текста име, ТР ИД, број протокола/испита, датум рођења, контакт и информације о установи; Откуцајте „[уклоњено]“. Оставите само клинички потребне анонимне информације. Подсетите ме да ако ћу да делим слику, морам да обришем заглавље + уграђивање + податке о лицу. Текст: [писати]
ШАБЛОНА ЗА УПИТ ЗА ВАЛИДАЦИЈУ МОДЕЛА Ваша улога: ПОМОЋНИК. Ја ћу проценити АИ модел. Генеришите питања која треба да поставим: која популација/број случајева/метрика, обим регулаторног одобрења, да ли је извршена локална валидација, ризик од одступања дистрибуције, праћење верзија. Одлука је у рукама институције. Информације о моделу: [лето]
ШАБЛОНИ ЗА ПРОВЕРУ ЕТИКЕ/ПРИСТРАСНОСТИ ће вам дати контекст коришћења АИ модела. Процените алгоритамску пристрасност (која може лоше да функционише у групама), пристанак/транспарентност пацијената, одговорност и правичан приступ; Испод сваког наслова напишите питање које институција треба да постави. Контекст: [писати]
ШАБЛОНИ ПРИВАТНОСТИ ТОКА ПОДАТАКА ће вам дати сценарио слања података у алатку за вештачку интелигенцију. Направите контролну листу која пита где иду подаци, да ли се чувају, да ли се користе у обуци модела и њихов статус ДПА/правне основе. Подсетите нас на обавезу анонимизације за спољна возила. Скрипта: [писати]
Уобичајене грешке
- Само обришите заглавље и заборавите на уграђени текст. Слика и даље носи идентитет.
- Игнорисање података о лицу. Особа се може препознати са 3Д слика главе/мозга.
- Замена регулаторног одобрења за локалну валидацију. Сагласност указује на обим; Не гарантује перформансе на вашим подацима.
- Не питам за алгоритамску пристрасност. Модел може лоше да функционише за неке групе, повећавајући неједнакост.
- Преношење одговорности на АИ. Потпис је код радиолога; Одговорност за грешке лежи на људима.
Савет: Пре него што пошаљете било који податак ван установе, поставите једно питање: „Ако би ови подаци процурели, да ли би се пацијент могао идентификовати?“ Ако је одговор „да“ или „нисам сигуран“, подаци још нису анонимни — немојте их слати.
Укратко
Радиолошки снимци и извештаји су посебни лични подаци и захтевају највишу заштиту у оквиру КВКК/ГДПР. ДИЦОМ подаци носе идентитет у два слоја — заглавље и текст уграђени у слику — и ниједан податак не напушта предузеће а да се обоје не прочисти, као и подаци о лицу ако је потребно. Да бисте веровали моделу, процењују се његова валидација, ниво доказа, регулаторно одобрење и локална валидација, посебно у вашем уређају/популацији; Регулаторно одобрење није замена за локалну верификацију. У етичкој димензији, доводи се у питање алгоритамска пристрасност, сагласност пацијената, транспарентност, правичан приступ и одговорност. У свим случајевима потпис, одговорност и коначна одлука припадају радиологу.
Задатак апликације
Направите текст чињеница и сценарио за дељење слика. Анонимизирајте текст помоћу шаблона „Провера анонимизације“ и корака за проверу заглавља/уграђеног текста/података о лицу листе. Затим процените модел који користите (или разматрате) помоћу шаблона „Упит за валидацију модела“: популација, обим валидације, локални статус валидације. Коначно, са шаблоном „Контрола етике/пристрасности“, запишите у којим групама би овај модел могао лоше да функционише и питања транспарентности/одговорности.
контролна листа
- [ ] Обрисао сам ИД поља у ДИЦОМ заглављу.
- [ ] Ја сам маскирао/исецкао урезани текст на слици.
- [ ] Проценио сам ризик од података о лицу на сликама главе/мозга.
- [ ] Анонимизовао сам текст извештаја/приче (име, лична карта, протокол, датум рођења).
- [ ] Довео сам у питање проток података и ДПА/правну основу за екстерни алат.
- [ ] Проверио сам локалну валидацију и обим валидације модела.
- [ ] Оценио сам алгоритамску пристрасност, транспарентност и одговорност; Имам потпис.