
Повышение конфиденциальности в КТ-ангиографии с помощью глубокого обучения
Растущее использование медицинской визуализации в современном здравоохранении, особенно для диагностики таких состояний, как сосудистые мальформации и острые ишемические инсульты, выдвинуло на первый план критическую проблему конфиденциальности данных пациентов. Компьютерная томографическая ангиография (КТА) является жизненно важным инструментом для диагностики сосудистых проблем, но ее подробные черты лица на сканах головы могут непреднамеренно раскрыть личность пациента. В результате деидентификация этих изображений стала главным приоритетом. Традиционные инструменты анонимизации для МРТ и других методов визуализации существуют, но все еще ограничены для данных КТА. Внедрение инструмента на основе глубокого обучения под названием CTA-DEFACE предлагает многообещающее решение этой проблемы. Недавний обзор, опубликованный в European Radiology Experimental, исследует разработку и значение CTA-DEFACE, модели нейронной сети, предназначенной для анонимизации изображений КТА. Он сравнивает ее эффективность с существующими инструментами и подчеркивает ее потенциал для значительного улучшения защиты медицинских данных.
CTA-DEFACE: решение для глубокого обучения
CTA-DEFACE был разработан для устранения ограничений существующих инструментов дефейсинга для визуализации CTA. Модель глубокого обучения, используемая в CTA-DEFACE, основана на фреймворке nnU-Net, современном алгоритме сегментации, который автоматически настраивается на основе характеристик набора данных. Модель была обучена с использованием большого набора данных изображений CTA, которые включали аннотации для областей лица, таких как лоб, нос, губы и подбородок. После обучения модель могла генерировать маски для лица, которые эффективно деидентифицируют пациента, закрывая мягкие ткани лица. Это гарантирует, что идентифицируемые черты, которые могут быть использованы алгоритмами распознавания лиц, удаляются, сохраняя диагностическое качество сканирования для медицинских целей.
Успех CTA-DEFACE заключается в его способности создавать более анатомически точные маски для лица, чем существующие методы дефейсинга. Например, широко используемый алгоритм дефейсинга ICHSEG использует прямоугольную призму для покрытия только областей рта и носа лица, что оставляет другие идентифицируемые черты открытыми. Напротив, CTA-DEFACE обеспечивает комплексную сегментацию, охватывающую все лицо от лба до подбородка, не оставляя места для потенциальной идентификации. Такой подход не только повышает конфиденциальность пациента, но и минимизирует риск повторной идентификации с использованием программного обеспечения для распознавания лиц, предоставляя надежное решение для защиты данных пациента.
Сравнение с существующими инструментами
CTA-DEFACE был тщательно протестирован с ICHSEG, общедоступным инструментом для дефейсинга КТ, с использованием набора данных из внешнего учреждения. Производительность обоих инструментов оценивалась с использованием метрик обнаружения и распознавания лиц. Одной из ключевых метрик, использованных при сравнении, был коэффициент сходства Дайса (DSC), который измеряет точность сегментации лицевой маски. Модель CTA-DEFACE достигла DSC 0,94, что указывает на высокий уровень точности сегментации областей лица.
Более того, эффективность CTA-DEFACE выходит за рамки точности сегментации. Время выполнения модели для дефейсинга одного изображения было значительно быстрее, чем у ICHSEG, выполнив задачу примерно за 0,2 минуты по сравнению с 36,3 минутами ICHSEG. Такая скорость особенно важна в медицинских средах, где своевременная обработка больших объемов данных имеет решающее значение.
Однако наиболее важным преимуществом CTA-DEFACE является его превосходная способность к анонимизации. Тесты по распознаванию лиц, проведенные с использованием многозадачной каскадной сверточной нейронной сети (MTCNN), показали, что лица, испорченные CTA-DEFACE, обнаруживались с гораздо меньшей вероятностью, чем лица, обработанные ICHSEG. Фактически, CTA-DEFACE снизил вероятность обнаружения лица до 62%, тогда как ICHSEG удалось снизить ее только до 74%. Это снижение обнаруживаемости явно указывает на улучшенную защиту конфиденциальности, предлагаемую CTA-DEFACE.
Последствия для клинического использования
Внедрение автоматизированных инструментов дефейсинга, таких как CTA-DEFACE, в клинические рабочие процессы имеет значительные последствия для конфиденциальности данных и медицинских исследований. В клинических условиях данные пациентов часто необходимо передавать между учреждениями для совместных исследований, обучения моделей машинного обучения или удаленной диагностики. Без надлежащей анонимизации риск повторной идентификации посредством распознавания лиц вызывает серьезные этические и правовые проблемы. Способность CTA-DEFACE полностью деидентифицировать сканы CTA, сохраняя при этом диагностическую ценность изображений, делает его критически важным инструментом для защиты конфиденциальности пациентов.
Кроме того, скорость и эффективность CTA-DEFACE делают его приемлемым вариантом для интеграции в клинические рабочие процессы. Медицинские центры визуализации ежедневно обрабатывают большие объемы данных, и медицинское сообщество будет приветствовать инструмент, который может автоматизировать процесс дефейсинга, не вызывая значительных задержек. Кроме того, поскольку искусственный интеллект (ИИ) становится все более распространенным в здравоохранении, потребность в анонимных наборах данных для обучения моделей машинного обучения будет только расти. CTA-DEFACE имеет важное значение для обеспечения того, чтобы эти наборы данных можно было совместно использовать и использовать без ущерба для конфиденциальности пациентов.
CTA-DEFACE представляет собой значительный прогресс в области анонимизации медицинских данных. Предлагая решение на основе глубокого обучения, которое является как более точным, так и эффективным, чем существующие инструменты, оно устраняет критический пробел в защите конфиденциальности изображений CTA. Поскольку отрасль здравоохранения продолжает внедрять инструменты ИИ и машинного обучения, защита данных пациентов становится все более важной. CTA-DEFACE не только защищает конфиденциальность пациентов, но и повышает потенциал для совместных медицинских исследований, делая анонимизированные наборы данных более доступными. Для расширения применимости модели к другим методам визуализации и оценки ее производительности в более крупных и разнообразных наборах данных потребуются дальнейшие исследования. Тем не менее, CTA-DEFACE устанавливает новый стандарт анонимизации изображений CTA и предлагает многообещающий подход к решению одной из самых насущных проблем конфиденциальности данных в здравоохранении.
Источник: European Radiology Experimental