使用AI安全分析加密医疗数据的新方法

这项研究展示了如何在保护患者隐私的前提下，利用先进的AI诊断工具进行安全的数据处理。这项技术有可能显著改善睡眠呼吸暂停的诊断和其他领域的医疗安全。

Nalini Ratha，纽约州立大学帝国创新教授（SUNY Empire Innovation Professor），计算机科学与工程系主任表示：“这项工作突显了安全加密数据处理的重要性，它可以在保护患者隐私的同时启用基于AI的高级诊断工具，为睡眠呼吸暂停诊断及其他领域提供显著的改进潜力。”

该研究由IBM/SUNY资助的20万美元支持，证明了全同态加密（Fully Homomorphic Encryption，简称FHE）技术在检测睡眠呼吸暂停方面的有效性达到了99.56%，使用的数据集是可公开用于研究的匿名心电图（ECG）数据。最终，该技术有望加速并改善睡眠呼吸暂停的检测和治疗，并应用于其他需要严格数据保护的医疗场景。

最大化收益，降低风险

Ratha指出，AI可以同时为医生和患者带来诸多好处。机器学习提供了更快、更高效的数据分析能力，能够处理大量数据，并提高诊断准确性。例如，深度学习算法经过训练可以识别心电图信号中表明呼吸中断或睡眠期间血氧水平下降的模式，这些特征是睡眠呼吸暂停的典型表现。通过分析大量心电图数据，这些模型可以学会发现医生难以察觉的细微异常。

然而，数据的传播及诊断结果的分发却存在隐私泄露的风险。“如果像Google或Amazon这样的云服务提供商对我数据进行分析，他们可能会推断出我的睡眠呼吸暂停状况，然后开始向我发送购买各种产品的广告。”Ratha解释道，“云服务提供商还可能与其他公司合作，利用这些信息进行交叉销售。睡眠呼吸暂停信息仅应由我的医生掌握，不应被公开用于生成广告收入。”

保险公司也可能捕捉到这些数据，并因患者的病情暴露而提高保费。“一旦保密的第一道防线被打破，信息泄露可能会给患者带来多方面的影响。”Ratha补充说，“如果我们不限制这些心电图数据的收集，就可能产生不必要的关联。如果有人在网上向服务提供商提交心电图，我们如何防止这些服务提供商滥用数据？”

加密数据的快速高效处理

全同态加密（FHE）分析通常比传统未加密数据分析方法更慢且更复杂。研究人员通过开发优化关键深度学习操作的新技术克服了这些问题，使FHE系统能够更快、更经济地运行。

这些技术涵盖了深度神经网络的所有阶段，包括卷积（用于检测模式）、激活函数（如修正线性单元，帮助模型决策）、池化（用于减少数据量）和全连接层（每个输入节点都与每个输出节点相连的神经网络）。

为了更好地解释这个加密系统的运作原理，Ratha用了一个黄金首饰的例子：“如果你想用黄金制作一件饰品，但又不想直接交给珠宝商，因为你不确定他会添加什么成分，你可以把黄金放在一个盒子里。珠宝商可以接触黄金，但他无法将其取出。这里的盒子就是我们的加密技术，数据是黄金，而珠宝商则是基于FHE的算法，它可以接触数据但不能将其从盒子里取出来。”

Ratha强调，虽然他们在这项研究中使用了睡眠呼吸暂停作为案例，但其发现同样适用于X光图像、MRI、CT扫描等其他医疗程序的数据分析。“有许多情况下，隐私至关重要。”

(全文结束)