从组织病理学图像中进行再识别
计算机视觉与模式识别
2024-11-05 v1 人工智能
摘要
在众多研究中，深度学习算法已证明其在组织病理学图像分析方面的潜力，例如揭示肿瘤亚型或转移灶的原发起源。这些模型需要大型数据集进行训练，且必须对这些数据集进行匿名化处理，以防止可能的患者身份泄露。本研究表明，即使是相对简单的深度学习算法，也能以极高的准确率在大型组织病理学数据集中对患者进行再识别。我们在两个 TCIA 数据集上评估了我们的算法，包括肺鳞状细胞癌（LSCC）和肺腺癌（LUAD）数据集。我们还在脑膜瘤组织的内部数据集上展示了该算法的性能。在 LSCC 和 LUAD 数据集上，我们预测切片来源患者的 F1 分数分别为 50.16% 和 52.30%，而在我们的脑膜瘤数据集上为 62.31%。基于我们的发现，我们制定了一项风险评估方案，以在发表前估计患者隐私面临的风险。
引用
@article{arxiv.2403.12816,
title = {Re-identification from histopathology images},
author = {Jonathan Ganz and Jonas Ammeling and Samir Jabari and Katharina Breininger and Marc Aubreville},
journal= {arXiv preprint arXiv:2403.12816},
year = {2024}
}
备注
20 pages, 7 figures, 2 tables