Искусственный интеллект может улучшить способность врачей диагностировать и лечить апноэ во сне. Однако эта технология не получила широкого распространения из-за опасений, что она не защищает данные пациентов.

Это может скоро измениться.

Новое исследование, проведенное под руководством Университета Буффало, показывает, как безопасно шифровать данные, полученные с помощью искусственного интеллекта, при их передаче от сторонних поставщиков облачных сервисов, таких как Google или Amazon, врачам и их пациентам.

Метод, основанный на полностью гомоморфном шифровании (FHE), оказался эффективным на 99,56% при обнаружении апноэ во сне с помощью деидентифицированного набора данных электрокардиограммы (ЭКГ), который доступен для исследования. В конечном итоге, этот метод может ускорить и улучшить обнаружение и лечение апноэ во сне, а также может использоваться в других приложениях здравоохранения, где защита данных имеет первостепенное значение.

«Эта работа демонстрирует, как безопасная, зашифрованная обработка данных может защитить конфиденциальность пациентов, при этом позволяя использовать передовые диагностические инструменты на основе искусственного интеллекта. Она открывает значительный потенциал для повышения безопасности здравоохранения при диагностике апноэ во сне и в других областях», — сказала ведущий исследователь Налини Ратха, доктор философии, профессор инноваций SUNY Empire на кафедре компьютерных наук и инженерии в UB.

Исследование было представлено на Международной конференции по распознаванию образов ( ICPR 2024 ), которая прошла с 1 по 5 декабря в Калькутте, Индия. Соавторами являются Чаранджит Джутла, научный сотрудник IBM; Арджун Рамеш Каушик, аспирант UB; и студенты магистратуры Тилак Шарма и Бхарат Ялаварти, которые оба недавно окончили программу компьютерных наук UB.

Максимизация выгод, снижение рисков

ИИ может принести пользу как врачам, так и пациентам, сказал Ратха. Машинное обучение дает несколько преимуществ, включая более быстрый и эффективный анализ, возможность обработки больших объемов данных и потенциал для более точной диагностики.

Например, алгоритмы глубокого обучения обучаются выявлять закономерности в сигналах ЭКГ, указывающие на нарушения дыхания или снижение уровня кислорода во время сна, что характерно для апноэ во сне. Анализируя большие объемы данных ЭКГ, эти модели могут научиться обнаруживать едва заметные отклонения, которые врачам-людям может быть трудно идентифицировать, объяснил он.

Вызывает беспокойство само распространение данных, а также результатов диагностики, поскольку это может нарушить конфиденциальность пациентов.

«Если поставщик облачных услуг, такой как Google или Amazon, проведет аналитику моих данных, они потенциально могут выяснить, каков мой статус апноэ во сне, а затем начать отправлять мне рекламу с предложением купить то или иное», — сказал он. «Поставщики облачных услуг также могут иметь договоренности с другими компаниями о перекрестной продаже мне вещей. Информация об апноэ во сне предназначена только для моего врача; она не предназначена для публичного использования, особенно для получения дохода от рекламы из моей ситуации».

Страховые компании также могли бы собирать данные и потенциально повышать страховые премии для пациентов с апноэ во сне, поскольку их состояние было раскрыто.

«Как только первая стена конфиденциальности будет разрушена, потеря информации может дорого обойтись пациенту во многих отношениях», — сказал Ратха. «Как только вы соберете все эти ЭКГ без каких-либо ограничений, вы сможете попытаться сделать множество ненужных связей. Если кто-то отправит свою ЭКГ поставщику услуг в Интернете, вот тут-то и вступим мы. Как нам помешать этим поставщикам услуг злоупотреблять данными?»

Более быстрая и эффективная обработка зашифрованных данных

Известно, что аналитика на основе FHE медленнее и сложнее традиционных методов анализа незашифрованных данных.

Исследователи преодолели эти недостатки, разработав новые методы, оптимизирующие ключевые операции глубокого обучения, что позволило системе FHE работать быстрее и дешевле.

Примерами таких методов, охватывающих все этапы глубокой нейронной сети, являются свертка — метод, используемый для обнаружения закономерностей; функции активации, такие как выпрямленный линейный блок, которые помогают модели принимать решения; объединение, которое используется для уменьшения размера данных; и полностью связанный слой, представляющий собой нейронную сеть , в которой каждый входной узел соединен с каждым выходным узлом.

Приводя стандартный пример из области FHE, Ратха использовал аналогию с золотом, чтобы объяснить, как работает их система шифрования.

«Если вы хотите сделать украшение из золота, но не хотите отдавать его напрямую ювелиру, потому что не знаете, что ювелир смешает с ним, вы кладете его в коробку», — сказал он. «Ювелир может прикоснуться к золоту, но он никогда не сможет вынуть его из коробки. Коробка — это наше шифрование, данные — это золото, а ювелир — это алгоритм на основе FHE, который приходит и касается данных, но не может вытащить их из коробки».

Ратха подчеркнул, что хотя в этом исследовании они использовали апноэ во сне , их результаты можно применить ко многим аналитическим данным рентгеновских снимков, МРТ, КТ и других медицинских процедур.

«Существует множество ситуаций, когда конфиденциальность имеет первостепенное значение», — сказал он.