加密医学影像的隐私保护 AI：面向安全诊断与学习的框架
密码学与安全
2025-07-30 v1 人工智能
图像与视频处理
摘要
人工智能（AI）的快速融入医学诊断领域引发了关于患者隐私的迫切关注，尤其是在敏感影像数据需传输、存储或处理的场景下。本文提出一种新型框架，通过修改卷积神经网络（Masked-CNN）实现对加密医学影像的隐私保护诊断推断。该方法利用 AES-CBC 加密结合 JPEG2000 压缩，既保护医学影像，又保持其适用于 AI 推断的特性。我们使用公开 DICOM 数据集（NIH ChestX-ray14 和 LIDC-IDRI）进行评估，关注诊断准确率、推断延迟、存储效率和隐私泄露抗性。实验结果表明，加密推断模型性能不输其未加密版本，仅在准确率和延迟方面存在轻微权衡。该框架在数据隐私与临床实用性之间搭建了桥梁，为安全的 AI 驱动诊断提供了实用且可扩展的解决方案。
引用
@article{arxiv.2507.21060,
title = {Privacy-Preserving AI for Encrypted Medical Imaging: A Framework for Secure Diagnosis and Learning},
author = {Abdullah Al Siam and Sadequzzaman Shohan},
journal= {arXiv preprint arXiv:2507.21060},
year = {2025}
}