ИИ-фильтр для изображений глаз сохраняет признаки заболеваний, защищая личность пациента

Команда медицинской информатики Университетской больницы Йены разработала метод, соответствующий требованиям конфиденциальности, для создания реалистичных изображений глаз с помощью ИИ. В то время как синтетические изображения остаются пригодными для диагностического анализа, больше невозможно идентифицировать людей, изображенных в исходных обучающих данных.

Исследование, опубликованное в PLOS Digital Health, представляет новый подход к согласованию противоречивых требований медицинской полезности и анонимности — проблемы, имеющей особое значение в офтальмологии.

Данные изображений составляют решающую основу для клинических решений и играют одинаково важную роль в медицинских исследованиях. В то же время изображения часто содержат характеристики, которые могут быть однозначно связаны с конкретным человеком, вызывая значительные проблемы с защитой данных. Эта дилемма особенно очевидна в офтальмологии, так как диагностические процедуры полагаются на изображения глаз, которые весьма эффективны для личной идентификации.

В рамках консорциума Avatar команда медицинской информатики Университетской больницы Йены взялась за задачу предоставления обучающих данных для разработки офтальмологических устройств — способом, соответствующим нормам защиты данных. Первым этапом была адаптация генеративной модели ИИ специально для изображений глаз.

"Она использует реальные изображения для создания синтетических, которые тесно напоминают оригиналы и точно отображают патологические признаки, — объясняет Себастьян Ушманн. — Однако при этом процессе отдельные биометрические детали изменяются."

Второй этап обеспечивает, что эта модификация достаточна для гарантии анонимности. Исследователи разработали аналитическую метрику для оценки сходства между синтетическими и исходными изображениями в отношении личности, одновременно гарантируя сохранение необходимой медицинской информации. Метрика, названная "Конус конфиденциальности", автоматически выявляет и исключает сгенерированные изображения, представляющие повышенный риск нарушения конфиденциальности.

Для оценки метода команда использовала набор данных, состоящий из 2000 изображений глаз от 704 человек. "Алгоритм создал реалистичные синтетические изображения, пригодные для исследований и разработок в офтальмологии, и надежно выявил изображения, вызывающие опасения по поводу конфиденциальности, — резюмирует профессор Корд Шпрекельсен. — Этот метод также можно применить к другим типам медицинских данных изображений, помогая гарантировать, что медицинские данные могут использоваться для сотрудничества, в качестве обучающих данных и для научных исследований при соблюдении нормативных требований по защите данных."

Генеративная модель создавала синтетические офтальмологические изображения, которые сохраняли патологические признаки, изменяя при этом биометрические индикаторы личности. Метрика "Конус конфиденциальности" отфильтровала изображения с повышенным риском переидентификации. На выборке из 2000 изображений от 704 человек подход сохранил диагностическую полезность, улучшив анонимность.