Yapay Zeka Temelli Tanı Süreçlerinin Benzersiz Kombinasyonu Veri Gizliliğini Korur

Veri korunması ve dijital tıp

Dijital tıp tamamen yeni olanaklar ortaya çıkarıyor. Örneğin, tümörleri erken evrede saptayabiliyor. Bununla birlikte yeni yapay zeka algoritmalarının etkinliği, onları eğitmek için kullanılan veri miktarına ve kalitesine bağlıdır. Veri havuzunu en üst düzeye çıkarmak için, algoritmanın eğitildiği kliniklere veri tabanı kopyaları gönderilerek hasta verilerinin klinikler arasında paylaşılması gelenekseldir. Veri koruma amacıyla, materyal genellikle anonimleştirilir ve takma isim işlemi uygulanır.

Akıllı algoritmalar doktorları destekler

Bu sorunu çözmek için, Münih Teknik Üniversitesi’ndeki (TUM) disiplinler arası bir ekip Imperial College London ve kar amacı gütmeyen bir kuruluş olan OpenMined araştırmacıları ile birlikte çalışarak radyolojik görüntü verilerinde yapay zeka temelli tanı işlemini veri gizliliğini koruyacak şekilde yapabilen benzersiz bir kombinasyon geliştirdi. Nature Machine Intelligence dergisinde yayınlanan bir makalede, ekip başarılı bir uygulama sundu: çocukların X-ray incelemesinde pnömoni sınıflandırmasına yardımcı olan bir derin öğrenme algoritması.

"Modellerimizi radyoloji uzmanlarına karşı test ettik. Bazı durumlarda modeller çocuklarda çeşitli pnömoni türlerinin tanısında karşılaştırılabilir düzeyde ya da daha doğru sonuçlar verdi" diyor TUM Tanısal ve Girişimsel Radyoloji Bölümü Direktörü Prof. Marcus R. Makowski.

Veriler yerinde kalır

TUM Tıbbi Enformatik, İstatistik ve Epidemiyoloji Enstitüsü'nden proje lideri ve ilk yazar Georgios Kaissis, ‘Hasta verilerinin güvenliği için veriler toplandığı klinikten asla ayrılmamalıdır’, diyor. ‘Algoritmamız için, verilerin değil, derin öğrenme algoritmasının paylaşıldığı öğrenme biçimini kullandık. Modellerimiz yerel veriler kullanılarak çeşitli hastanelerde eğitildi ve daha sonra bize geri döndü. Böylece, veri sahipleri verilerini paylaşmak zorunda kalmadılar’ diyor Radyoloji Enstitüsü'nde araştırmacı olan ilk yazar Alexander Ziller.

Verilerden kişilere ulaşılamaz

Algoritmanın eğitildiği kurumların tanınmasını önlemek için ekip başka bir teknik uyguladı: güvenli toplama. Kaissis, ‘Algoritmaları şifreli biçimde birleştirdik ve şifrelerini ancak tüm katılımcı kurumların verileriyle eğitildikten sonra çözdük’ diyor. Ve 'diferansiyel gizliliği' sağlamak, yani bireysel hasta verilerinin veri kayıtlarından filtrelenmesini önlemek için araştırmacılar algoritmayı eğitirken de başka bir teknik kullandılar.

Veri koruması dijital tıp için muazzam bir potansiyel sağlıyor

Ekibin 2020'de Nature Machine Intelligence'ta yayınlanan bir makalede gösterdiği gibi, en son veri koruma işlemlerinin kombinasyonu kurumlar arasındaki iş birliğini de kolaylaştıracaktır. Braren, gizliliği koruyan yapay zeka yönteminin etik, yasal ve siyasi engelleri aşabileceğini ve böylece yapay zekanın yaygın kullanımının önünü açabileceğini söylüyor. Ve bu nadir hastalıklarla ilgili araştırmalar için son derece önemlidir.

Bilim insanları teknolojilerinin hastaların özel alanını koruyarak dijital tıbbın ilerlemesine önemli bir katkı yapabileceğine inanıyor. Kaissis, ‘İyi yapay zeka algoritmalarının eğitimi için iyi verilere ihtiyacımız var’ diyor. Rueckert, ‘Ve bu verileri ancak hasta gizliliğini düzgün bir şekilde koruyarak elde edebiliriz’, diye ekliyor. "Bu, veri koruma ile birçok insanın düşündüğünden çok daha fazla ilerleme sağlayabiliriz.’