【资料图】

数字医学正在开辟全新的可能性。例如，它可以在早期发现肿瘤。但是新的AI算法的有效性取决于用于训练它们的数据的数量和质量。

为了最大化数据池，习惯上是通过将数据库的副本发送到正在训练算法的诊所来在诊所之间共享患者数据。为了保护数据，该材料通常会进行匿名化和假名化处理-这一过程也受到批评。TUM的医疗保健和医学人工智能教授Alexander von Humboldt的Daniel Rueckert说：“在保护患者的健康数据方面，这些过程通常被证明是不足的。”

智能算法支持医生

为了解决这个问题，TUM的一个跨学科团队与伦敦帝国学院和非营利性组织OpenMined的研究人员合作，为放射线图像数据开发了基于AI的诊断过程的独特组合，以保护数据隐私。在《自然机器智能》上发表的一篇论文中，该团队现在已经提出了一个成功的应用：一种深度学习算法，可以对儿童X射线中的状况进行分类。

“我们已经针对专业的放射科医生对我们的模型进行了测试。在某些情况下，该模型在诊断儿童各种类型的中显示出可比或更高的准确性，”该中心诊断与介入放射学系主任Marcus R. Makowski教授说。 TUM的Klinikum rechts der Isar。

数据保留在现场

TUM医学信息学，统计学和流行病学研究所的项目负责人和第一作者Georgios Kaissis说：“为了确保患者数据的安全，绝不应该离开收集它的诊所。”“对于我们的算法，我们使用联邦学习，其中深度学习算法是共享的，而不是数据。我们的模型是使用本地数据在各个医院进行训练的，然后返回给我们。因此，数据所有者不必共享他们的数据并保留完全的控制权。”放射学研究所的第一作者亚历山大·齐勒(Alexander Ziller)说。

数据无法追溯到个人

为了防止确定训练过算法的机构，该团队应用了另一种技术：安全聚合。Kaissis说：“我们以加密的形式组合了这些算法，只有在对所有参与机构的数据进行了训练之后，才将它们解密。为了确保“差异隐私”(即防止将单个患者数据从数据记录中过滤掉)，研究人员在训练算法时使用了第三种技术。Kaissis说：“最终，可以从数据记录中提取统计相关性，但不能从个人的贡献中提取统计相关性。”

关键词： 第一作者 研究人员 数据记录 项目负责人