基于对抗训练的隐私感知 COVID-19 早期检测
机器学习
2022-01-11 v1 人工智能
密码学与安全
摘要
COVID-19 的早期检测是一个持续的研究领域，可帮助对潜在患者进行分诊、监测和总体健康评估，并可能减轻应对新冠疫情的医院运营压力。文献中已使用不同机器学习技术，利用常规临床数据（血液检测和生命体征）检测冠状病毒。使用这些模型时的数据泄露和信息泄漏会给医院带来声誉损害并引发法律问题。尽管如此，保护医疗模型免受潜在敏感信息泄漏仍是一个研究不足的领域。本工作中，我们考察两种机器学习方法，旨在使用常规收集且易获取的临床数据预测患者的 COVID-19 状态。我们采用对抗训练来探索可保护患者人口统计信息相关属性的鲁棒深度学习架构。本工作考察的两种模型旨在抵御对抗攻击和信息泄漏以保护敏感信息。在使用牛津大学医院、贝德福德郡医院 NHS 基金会信托、伯明翰大学医院 NHS 基金会信托和朴茨茅斯医院大学 NHS 信托数据集的一系列实验中，我们训练并测试了两个神经网络，利用患者入院时的基础实验室血液检测和生命体征预测 PCR 检测结果。我们评估了各模型可提供的隐私保护水平，并展示了所提架构相对于可比基线的有效性与鲁棒性。我们的主要贡献之一是专门致力于开发具有内置机制的有效的 COVID-19 检测模型，以选择性保护敏感属性免受对抗攻击。
引用
@article{arxiv.2201.03004,
title = {Privacy-aware Early Detection of COVID-19 through Adversarial Training},
author = {Omid Rohanian and Samaneh Kouchaki and Andrew Soltan and Jenny Yang and Morteza Rohanian and Yang Yang and David Clifton},
journal= {arXiv preprint arXiv:2201.03004},
year = {2022}
}