无数据共享的多机构加密医学影像 AI 验证
密码学与安全
2021-08-16 v4
摘要
人工智能医学影像应用的采用常常因医疗系统与算法开发者之间的壁垒而受阻，因为执行部署前评估需要同时访问私有患者数据和商业模型 IP。本工作研究了一种使用 CrypTFlow2 的安全、隐私保护且支持 AI 的医学影像推理框架，CrypTFlow2 是一种最先进的端到端编译器，允许机器学习模型供应商与目标患者数据所有者之间进行加密安全的双方计算（2PC）协议。一个常见的 DenseNet-121 胸部 X 光诊断模型在跨美国和印度七个站点、包含 1,149 张胸部 X 光图像的两个测试集上，使用和不使用 CrypTFlow2 对多机构胸部放射影像数据集进行了评估。我们测量了安全推理与不安全的推理在多种病理分类任务中的比较 AUROC 性能，并探讨了安全模型推理带来的模型输出分布偏移和资源约束。使用 CrypTFlow2 的安全推理在所有诊断中 AUROC 无显著差异，且安全与不安全的推理方法输出的模型分布在统计上等价。CrypTFlow2 的使用可实现医疗系统与 AI 模型供应商之间现成的安全 2PC，且性能不变，并可为真实世界安全模型评估提供可扩展的部署前基础设施，而无需暴露患者数据或模型 IP。
引用
@article{arxiv.2107.10230,
title = {Multi-institution encrypted medical imaging AI validation without data sharing},
author = {Arjun Soin and Pratik Bhatu and Rohit Takhar and Nishanth Chandran and Divya Gupta and Javier Alvarez-Valle and Rahul Sharma and Vidur Mahajan and Matthew P Lungren},
journal= {arXiv preprint arXiv:2107.10230},
year = {2021}
}