隐私保护医学图像分析
密码学与安全
2020-12-14 v1 计算机视觉与模式识别
机器学习
摘要
人工智能在医学与医疗中的应用已在多个领域取得成功的临床转化。此类系统中数据使用与隐私保护要求之间的冲突必须得以解决，以实现最优结果并满足伦理与法律合规。这需要诸如隐私保护机器学习（PPML）之类的创新方案。我们提出 PriMIA（Privacy-preserving Medical Image Analysis，隐私保护医学图像分析），一个为医学影像中 PPML 设计的软件框架。在一个真实案例研究中，我们展示了安全聚合的联邦学习模型在未见数据集上相比人类专家的显著更优分类性能。此外，我们展示了端到端加密诊断的推理即服务场景，其中数据与模型均不被泄露。最后，我们从经验上评估了该框架针对基于梯度的模型反演攻击的安全性，并证明从模型中无法恢复任何可用信息。
引用
@article{arxiv.2012.06354,
title = {Privacy-preserving medical image analysis},
author = {Alexander Ziller and Jonathan Passerat-Palmbach and Théo Ryffel and Dmitrii Usynin and Andrew Trask and Ionésio Da Lima Costa Junior and Jason Mancuso and Marcus Makowski and Daniel Rueckert and Rickmer Braren and Georgios Kaissis},
journal= {arXiv preprint arXiv:2012.06354},
year = {2020}
}
备注
Accepted at the workshop for Medical Imaging meets NeurIPS, 34th Conference on Neural Information Processing Systems (NeurIPS) December 11, 2020