فائدہ:
- DICOM امیجز میں ایمبیڈڈ شناختی معلومات (ہیڈر اور برن ان ڈیٹا) کو پہچاننے اور گمنامی اور محفوظ شیئرنگ کے قوانین کو لاگو کرنے کی صلاحیت
- AI ماڈل کی توثیق، ثبوت کی سطح، ریگولیٹری منظوری (CE/Regulation) اور مقامی توثیق کا تنقیدی جائزہ لینے کی صلاحیت
- امیجنگ کے تناظر میں اخلاقی مسائل جیسے الگورتھمک تعصب، مریض کی رضامندی، ذمہ داری اور شفافیت کو حل کرنے کی صلاحیت
ریڈیولوجیکل ڈیٹا ذاتی ڈیٹا کی سب سے زیادہ حساس قسموں میں سے ایک ہے۔ ایک تصویر نہ صرف ایک بیماری بتاتی ہے، بلکہ یہ کس کی بیماری ہے؛ دماغی MRI چہرے کی تعمیر نو کے ذریعے کسی شخص کی شناخت کر سکتا ہے، ایک DICOM فائل مریض کا نام، شناختی نمبر، اور تاریخ پیدائش اپنے ہیڈر میں محفوظ کرتی ہے۔ مصنوعی ذہانت کے دور میں، اس ڈیٹا کو کسی ٹول میں لوڈ کرنا، اس کا اشتراک کرنا، یا کسی ماڈل کو تربیت دینے کے لیے استعمال کرنا آسان ہے — اور بالکل یہی آسانی ہے جو رازداری کا سب سے بڑا خطرہ پیدا کرتی ہے۔ اس یونٹ میں، ہم DICOM نام ظاہر نہ کرنے، KVKK/پرائیویسی، ماڈل کی توثیق اور اخلاقیات کے مسائل پر آخر تک بحث کریں گے۔
بنیادی اصول: ریڈیولاجیکل امیجز اور رپورٹس خصوصی ذاتی ڈیٹا ہیں۔ DICOM ہیڈر میں شناختی ڈیٹا اور تصویر میں سرایت کسی بھی بیرونی ٹول میں گمنام کیے بغیر داخل نہیں ہوتا ہے۔ ماڈل کی وشوسنییتا؛ توثیق کا اندازہ ثبوت کی سطح، ریگولیٹری منظوری اور مقامی تصدیق سے کیا جاتا ہے۔ ذمہ داری، دستخط اور حتمی فیصلہ ہمیشہ ریڈیولوجسٹ کے ساتھ ہوتا ہے۔
DICOM دو تہوں میں شناخت رکھتا ہے۔
ریڈیولاجیکل ڈیٹا، دیگر صحت کے اعداد و شمار کے برعکس، شناخت کو دو الگ الگ تہوں میں رکھتا ہے اور دونوں کو صاف کیے بغیر نام ظاہر کرنا نامکمل ہے۔
1. DICOM ہیڈر: تصویری فائل کے شروع میں سٹرکچرڈ فیلڈز — مریض کا نام، شناخت/پروٹوکول نمبر، تاریخ پیدائش، جنس، ادارہ، امتحان کی تاریخ، ڈیوائس۔ ان علاقوں کو ایک ٹول کے ذریعے حذف/نقاب کیا جا سکتا ہے، لیکن اگر تصویر کو بھول جائے تو اسے "گمنام" تصور کرتے ہوئے شناخت کرنا جاری رہے گا۔
2. برن ان ڈیٹا: کچھ تصاویر میں—خاص طور پر الٹراساؤنڈ، فلوروسکوپی اسکرین کیپچرز، بیرونی اسکینز—مریض کی معلومات براہ راست پکسلز میں لکھی جاتی ہیں۔ ہیڈر کو صاف کرنے سے یہ ختم نہیں ہوتا ہے۔ ایمبیڈڈ ٹیکسٹ کو نقاب پوش ہونا چاہیے یا اس علاقے کو تراشنا چاہیے۔
مزید برآں، چہرے کی تعمیر نو کا خطرہ: چہرے کو ہائی ریزولوشن ہیڈ/برین سی ٹی اور ایم آر آئی سے تین جہتی طور پر دوبارہ بنایا جا سکتا ہے۔ یہ بھی شناخت کے افشاء کی ایک شکل ہے اور، کچھ سیاق و سباق میں، "ڈیفیسنگ" کی ضرورت ہوتی ہے۔
پرت
کہاں
صاف کرنے کا طریقہ
اگر بھول گئے
DICOM ہیڈر
فائل کا عنوان
گمنامی کا آلہ
ID کھلی رہتی ہے۔
سرایت شدہ متن
انٹرا پکسل
ماسکنگ/کراپنگ
تصویر شناخت رکھتی ہے۔
چہرے کا ڈیٹا
3D ہیڈ ویو
خراب کرنا
چہرے سے پہچانا جا سکتا ہے۔
رپورٹ کا متن
RIS/متن
نام/نمبر ہٹانا
شخص کی شناخت ہو جاتی ہے۔
KVKK اور محفوظ اشتراک
Türkiye میں، KVKK (ذاتی ڈیٹا کے تحفظ کا قانون) صحت کے ڈیٹا کو تحفظ کی اعلیٰ ترین سطح پر "خصوصی نوعیت کا ذاتی ڈیٹا" سمجھتا ہے۔ یورپ میں، اس کے مساوی GDPR ہے۔ بنیادی اصول: ضروری مقصد کے لیے صرف اتنا ہی ڈیٹا پر کارروائی کریں؛ ادارے کے باہر نام ظاہر نہ کرنا؛ اگر آپ اسے ماڈل ٹریننگ میں استعمال کرنے جا رہے ہیں، تو قانونی بنیاد فراہم کریں اور اگر ضروری ہو تو واضح رضامندی فراہم کریں۔ جانیں کہ آپ کا ڈیٹا کہاں جاتا ہے۔ عوامی AI ٹول پر غیر گمنام تصاویر/رپورٹس کو اپ لوڈ کرنا ڈیٹا کی خلاف ورزی ہے۔ کارپوریٹ ٹولز جن کے پاس ڈیٹا پروسیسنگ ایگریمنٹ (DPA) ہے، آپ کا ڈیٹا ماڈل ٹریننگ میں استعمال نہ کریں، اور ترجیحی طور پر اندرون ملک/مقامی طور پر کام کرنے کو ترجیح دی جائے۔
دھیان دیں: "میں نے ابھی آخری نام حذف کیا ہے" یا "ٹول پہلے سے ہی محفوظ ہے" کہنا گمنامی نہیں ہے۔ تمام نام، TR ID، پروٹوکول/امتحانی نمبر، تاریخ پیدائش، رابطہ، ادارہ اور ایمبیڈڈ/ہیڈر شناختی ڈیٹا کو ہٹائے بغیر کوئی ڈیٹا ادارے سے باہر نہیں جاتا ہے۔ گمنامی ایک عادت نہیں ہے، ایک وقتی کام نہیں ہے۔
ماڈل کی توثیق: ماڈل پر کب بھروسہ کرنا ہے۔
یہ کہنا کافی نہیں ہے کہ ایک ماڈل "کام کرتا ہے"؛ یہ پوچھنا ضروری ہے کہ یہ کیسے، کہاں اور کتنا کام کرتا ہے۔
- توثیق اور ثبوت کی سطح: کس آبادی میں، کتنے معاملات میں، کن میٹرکس (حساسیت، مخصوصیت، غلط منفی) کے ساتھ ماڈل کا تجربہ کیا گیا؟ کیا کوئی شائع شدہ، آزاد ثبوت ہے؟
- ریگولیٹری منظوری: کیا پروڈکٹ کو میڈیکل ڈیوائس کے طور پر منظور کیا گیا ہے (جیسے سی ای مارکنگ، متعلقہ ریگولیٹری منظوری)؟ منظوری میں کیا استعمال شامل ہے؟
- مقامی تصدیق: سب سے اہم قدم۔ کیا آپ کے اپنے آلے، آپ کے اپنے پروٹوکول، آپ کی اپنی آبادی پر ماڈل کا تجربہ کیا گیا ہے؟ ڈسٹری بیوشن ڈرفٹ (تربیت کے حالات سے دور ہونے کے بعد کارکردگی میں کمی) مقامی توثیق کے بغیر نہیں دیکھی جاتی ہے۔
- ٹریس ایبلٹی: کیا ماڈل ورژن، اپ ڈیٹس اور کارکردگی میں تبدیلی کو ٹریک کیا گیا ہے؟
اخلاقی جہت
الگورتھمک تعصب: اگر ماڈل کو کسی خاص آبادی پر تربیت دی جاتی ہے، تو یہ دوسرے گروہوں (عمر، جنس، نسل، نایاب بیماری) میں بدتر کارکردگی دکھا سکتا ہے اور عدم مساوات کو بڑھا سکتا ہے۔ مریض کی رضامندی اور شفافیت: کیا مریض کو معلوم ہونا چاہیے کہ اس کی تشخیص میں مصنوعی ذہانت کا استعمال کیا جا رہا ہے۔ ادارہ اس کو شفاف کیسے بناتا ہے؟ ذمہ داری: اگر AI کی مدد سے پڑھنے سے کوئی غلطی ہو جاتی ہے، تو کون ذمہ دار ہے — جواب ریڈیولوجسٹ کے پاس ہے جس نے دستخط کیے تھے۔ AI ذمہ داری قبول نہیں کرتا ہے۔ منصفانہ رسائی: اگر AI ٹولز کچھ مراکز میں دستیاب ہیں اور دوسروں میں نہیں، تو یہ عدم مساوات کا باعث بن سکتا ہے۔
تین چھوٹے مقدمات
کیس 1 - ایمبیڈڈ ٹیکسٹ کی خلاف ورزی۔ ایک معالج ایک دلچسپ الٹراساؤنڈ تصویر اپ لوڈ کرتا ہے، اس کے ہیڈر کو صاف کرتا ہے، اور اسے عوامی AI ٹول پر اپ لوڈ کرتا ہے۔ لیکن تصویر کے کونے میں مریض کا نام اور پروٹوکول نمبر پکسل میں لکھا ہوا ہے۔ اگرچہ ہیڈر صاف تھا، اس میں ایمبیڈڈ پوسٹ آئی ڈی تھی۔ ادارے کو KVKK کی اطلاع ملتی ہے۔ صحیح طریقہ یہ تھا کہ ایمبیڈڈ ایریا کو ماسک کریں اور اس طرح شیئر کریں۔
کیس 2 - مقامی تصدیق کے بغیر پھیلانا۔ ایک مرکز معمول کے مطابق اپنے مریضوں کے گروپ میں اس کی توثیق کیے بغیر بیرون ملک مقیم آبادی پر تربیت یافتہ بون ایج ماڈل متعارف کراتا ہے۔ مہینوں بعد، یہ دیکھا گیا ہے کہ ماڈل اپنی آبادی میں منظم طریقے سے متعصب ہے۔ اگر مقامی تصدیق کی جاتی تو یہ شروع سے نظر آئے گا۔ سبق: یہاں تک کہ ریگولیٹری منظوری بھی مقامی تصدیق کا متبادل نہیں ہے۔
کیس 3 - گمنامی کی اطلاع دیں۔ ایک ریڈیولوجسٹ اپنے ساتھی کے ساتھ AI ٹول کے ذریعے ایک مشکل کیس پر بات کرنا چاہتا ہے۔ اس نے کہانی کو "Ayşe Yılmaz, protocol 2024-114523, Breast cancer" کے بجائے "62 سالہ خاتون، چھاتی کے کینسر کی معلوم تاریخ" کے طور پر دوبارہ لکھا ہے۔ تصویر کو DICOM ہیڈر صاف کرنے اور ایمبیڈڈ ٹیکسٹ کو نقاب پوش کے ساتھ شیئر کرتا ہے۔ کلینیکل بحث ہوتی ہے، کوئی شناخت ظاہر نہیں کی جاتی ہے۔ مناسب گمنامی نے محفوظ AI استعمال کو فعال کیا۔
کمزور فوری / مضبوط اشارہ
کمزور اشارہ:
Ayşe Yılmaz, TC 123..., protocol 2024-114523, چھاتی کا کینسر، اس MRI کی تشریح کریں۔
شناخت کھلے عام شیئر کی جاتی ہے۔ یہ KVKK کی خلاف ورزی ہے، اسے پرامپٹ لکھے جانے سے پہلے ہی رک جانا چاہیے تھا۔
طاقتور اشارہ:
آپ کا کردار: گمنام کنٹرول اسسٹنٹ۔ نیچے دیے گئے متن سے اپنا نام، TR ID، پروٹوکول/امتحان نمبر، تاریخ پیدائش، رابطہ اور ادارے کی معلومات ہٹا دیں۔ اسے "[ہٹا ہوا]" سے بدل دیں۔ صرف طبی لحاظ سے ضروری گمنام معلومات (عمر گروپ، جنس، متعلقہ تاریخ) چھوڑ دیں۔ مجھے یہ بھی یاد دلائیں: اگر میں ایک تصویر شیئر کرنے جا رہا ہوں، تو مجھے تصویر میں ایمبیڈ کردہ DICOM ہیڈر اور ٹیکسٹ کو بھی صاف کرنے کی ضرورت ہے، اور سر/دماغ کی تصاویر میں چہرے کے ڈیٹا پر غور کرنا چاہیے۔ متن: [پیسٹ ٹیکسٹ]
طاقتور پرامپٹ ID کو نکالتا ہے، ایمبیڈڈ/ہیڈر اور چہرے کا ڈیٹا یاد دلاتا ہے۔
کاپی کرنے کے قابل پرامپٹ ٹیمپلیٹس
گمنامی کنٹرول ٹیمپلیٹ آپ کا کردار: گمنامی اسسٹنٹ۔ متن سے نام، TR ID نمبر، پروٹوکول/امتحانی نمبر، تاریخ پیدائش، رابطہ اور ادارے کی معلومات نکالیں۔ "[ہٹا دیا]" ٹائپ کریں۔ صرف طبی طور پر مطلوبہ گمنام معلومات چھوڑیں۔ مجھے یاد دلائیں کہ اگر میں کوئی تصویر شیئر کرنے جا رہا ہوں تو مجھے ہیڈر + ایمبیڈ + چہرے کا ڈیٹا صاف کرنے کی ضرورت ہے۔ متن: [لکھیں]
ماڈل کی توثیق کے سوال کا ٹیمپلیٹ آپ کا کردار: اسسٹنٹ۔ میں AI ماڈل کی جانچ کروں گا۔ وہ سوالات پیدا کریں جو مجھے پوچھنے کی ضرورت ہے: کیا آبادی/کیس کی گنتی/میٹرکس، ریگولیٹری منظوری کا دائرہ، کیا مقامی توثیق ہو چکی ہے، تقسیم کے بڑھنے کا خطرہ، ورژن ٹریکنگ۔ فیصلہ ادارے کے ہاتھ میں ہے۔ ماڈل کی معلومات: [موسم گرما]
اخلاقیات/ BIAS چیک ٹیمپلیٹ آپ کو AI ماڈل استعمال کرنے کا سیاق و سباق فراہم کرے گا۔ الگورتھمک تعصب (جو گروپوں میں خراب کام کر سکتا ہے)، مریض کی رضامندی/شفافیت، جوابدہی، اور منصفانہ رسائی کے لیے جائزہ لیں؛ وہ سوال لکھیں جو ادارہ ہر عنوان کے تحت پوچھے۔ سیاق و سباق: [لکھیں]
ڈیٹا فلو پرائیویسی ٹیمپلیٹ آپ کو AI ٹول پر ڈیٹا بھیجنے کا منظرنامہ فراہم کرے گا۔ ایک چیک لسٹ بنائیں جو یہ پوچھے کہ ڈیٹا کہاں جاتا ہے، آیا اسے ذخیرہ کیا جاتا ہے، آیا اسے ماڈل ٹریننگ میں استعمال کیا جاتا ہے، اور اس کی DPA/قانونی بنیاد کی حیثیت۔ ہمیں بیرونی گاڑیوں کے لیے گمنامی کی ذمہ داری کے بارے میں یاد دلائیں۔ اسکرپٹ: [لکھیں]
عام غلطیاں
- صرف ہیڈر کو صاف کریں اور ایمبیڈڈ ٹیکسٹ کو بھول جائیں۔ تصویر اب بھی شناخت رکھتی ہے۔
- چہرے کے ڈیٹا کو نظر انداز کرنا۔ کسی شخص کو سر/دماغ کی 3D تصاویر سے پہچانا جا سکتا ہے۔
- مقامی توثیق کے لیے ریگولیٹری منظوری کو تبدیل کرنا۔ رضامندی دائرہ کار کی نشاندہی کرتی ہے۔ یہ آپ کے اپنے ڈیٹا پر کارکردگی کی ضمانت نہیں دیتا ہے۔
- الگورتھمک تعصب کے بارے میں نہیں پوچھنا۔ یہ ماڈل کچھ گروپوں کے لیے ناقص کام کر سکتا ہے، جس سے عدم مساوات بڑھ جاتی ہے۔
- AI کو ذمہ داری منتقل کرنا۔ دستخط ریڈیولوجسٹ کے پاس ہے؛ غلطی کی ذمہ داری انسانوں پر عائد ہوتی ہے۔
مشورہ: ادارے سے باہر کوئی بھی ڈیٹا بھیجنے سے پہلے ایک سوال پوچھیں: "اگر یہ ڈیٹا لیک ہو گیا تو کیا کسی مریض کی شناخت ہو سکتی ہے؟" اگر جواب "ہاں" یا "یقین نہیں" ہے تو ڈیٹا ابھی تک گمنام نہیں ہے — اسے مت بھیجیں۔
خلاصہ میں
ریڈیولاجیکل امیجز اور رپورٹس خصوصی ذاتی ڈیٹا ہیں اور KVKK/GDPR کے دائرہ کار میں سب سے زیادہ تحفظ کی ضرورت ہے۔ DICOM ڈیٹا دو تہوں میں شناخت رکھتا ہے — ہیڈر اور تصویر میں سرایت شدہ متن — اور کوئی بھی ڈیٹا دونوں کو صاف کیے بغیر انٹرپرائز کو نہیں چھوڑتا، نیز اگر ضروری ہو تو چہرے کا ڈیٹا۔ کسی ماڈل پر بھروسہ کرنے کے لیے، اس کی توثیق، ثبوت کی سطح، ریگولیٹری منظوری، اور مقامی توثیق، خاص طور پر آپ کے اپنے آلے/آبادی میں، جانچ کی جاتی ہے۔ ریگولیٹری منظوری مقامی تصدیق کا متبادل نہیں ہے۔ اخلاقی جہت میں، الگورتھمک تعصب، مریض کی رضامندی، شفافیت، منصفانہ رسائی اور ذمہ داری سے سوال کیا جاتا ہے۔ تمام معاملات میں دستخط، ذمہ داری اور حتمی فیصلہ ریڈیولوجسٹ کا ہے۔
درخواست کا کام
حقائق کا متن اور تصویر کا اشتراک کرنے کا منظر نامہ بنائیں۔ "گمنامائزیشن چیک" ٹیمپلیٹ کے ساتھ متن کو گمنام بنائیں اور ہیڈر/ایمبیڈڈ ٹیکسٹ/فیس ڈیٹا چیک کے مراحل کی فہرست بنائیں۔ پھر "ماڈل کی توثیق کے سوال" ٹیمپلیٹ کے ساتھ جس ماڈل کو آپ استعمال کر رہے ہیں (یا غور کر رہے ہیں) کا اندازہ کریں: آبادی، توثیق کا دائرہ، مقامی توثیق کی حیثیت۔ آخر میں، "اخلاقیات/تعصب کنٹرول" ٹیمپلیٹ کے ساتھ، لکھیں کہ کن گروپوں میں یہ ماڈل خراب کام کر سکتا ہے اور شفافیت/احتساب کے سوالات۔
چیک لسٹ
- [ ] میں نے DICOM ہیڈر میں ID فیلڈز کو صاف کیا۔
- میں نے تصویر میں جلے ہوئے متن کو نقاب پوش/کراپ کیا۔
- میں نے سر/دماغ کی تصاویر میں چہرے کے ڈیٹا کے خطرے کا اندازہ کیا۔
- میں نے رپورٹ/ کہانی کا متن (نام، ID، پروٹوکول، تاریخ پیدائش) کو گمنام کر دیا۔
- میں نے خارجی ٹول کے لیے ڈیٹا کے بہاؤ اور DPA/قانونی بنیادوں پر سوال کیا۔
- [ ] میں نے ماڈل کی مقامی توثیق اور توثیق کے دائرہ کار کو چیک کیا۔
- میں نے الگورتھمک تعصب، شفافیت، اور جوابدہی کا جائزہ لیا۔ میرے پاس دستخط ہیں۔