零样本生成式去标识化：用于隐私保护皮肤图像分析的无反演流程

临床环境中皮肤科图像的安全分析从根本上受到患者隐私与诊断保真度之间关键权衡的限制。传统的去标识化技术通常会降低必要的病理标志物，而最先进的生成方法通常需要计算密集的反演过程或大量的任务特定微调，限制了其在实时部署中的可行性。本研究引入了一种零样本生成式去标识化框架，该框架利用无反演流程进行隐私保护的医学图像分析。通过利用修正流变换器（FlowEdit），所提出的方法在不到20秒内实现高保真身份转换，无需病理特异性训练或标记数据集。我们引入了一种新颖的“按合成分割”机制，该机制生成反事实的“健康”和“病理”数字孪生对，以零样本方式将临床信号与生物识别标识符分离。我们的方法特别利用CIELAB色彩空间将红斑相关的病理信号与语义噪声和个体皮肤特征解耦。在高分辨率临床样本上的初步验证表明，该方法在保持病理特征方面具有稳健的稳定性，实现了超过0.67的交并比（IoU）稳定性，同时确保了严格的去标识化。这些结果表明，所提出的零样本、无反演方法为安全数据共享和协作生物医学研究提供了一种可扩展且高效的解决方案，绕过了对大规模注释医学数据集的需求，同时符合数据保护标准。