医学影像中面向隐私的可信深度学习

随着机器学习（ML）在医疗保健系统中用于高效和自动化数据分析的应用不断增长，尤其在放射组学领域具有显著影响。放射组学利用 ML 对医学图像进行精确且高效的分析，以实现精密医疗。当前方法依赖深度学习（DL）以提高性能和准确性（深度放射组学）。鉴于医学图像的敏感性，确保从数据生成、收集到模型训练和推断过程中隐私的完整性至关重要，尤其是在外包给第三方时。因此，隐私增强技术（PETs）是深度放射组学中至关重要的工具。以往的研究和系统化工作要么对 PETs 及其应用进行广泛概述，要么主要关注针对 ML 算法的 PETs 子集。在深度放射组学中，效率、准确性和隐私都至关重要，尽管许多 PETs 在理论上适用于，但在没有专业优化或混合设计的情况下可能并不实用。此外，并非所有深度学习模型都适用于放射组学。因此，亟需进行专门的研究来探讨和系统化 PETs 在深度放射组学管道中的有效和实际集成。本文通过 (1) 对现有 PETs 进行分类，提出实用的混合 PET 构建方案，并提供一种说明其与深度放射组学管道集成潜力的分类学，包括详细的假设、架构适用性和安全性比较分析；(2) 提供技术见解，描述将 PETs 集成到深度放射组学管道中的潜在挑战、方法和注意事项；(3) 提出潜在的研究方向，识别挑战并提出解决方案以增强深度放射组学中的 PETs。