Esconder y Buscar: Inteligencia Artificial con Preservación de la Privacidad con un Estudio de Viabilidad en el...

Área de la Ciencia:

• Inteligencia artificial en la atención médica
• Criptografía
• Informática médica

Sus antecedentes:

• Los sistemas de apoyo a la decisión clínica a menudo requieren compartir datos sensibles de los pacientes, lo que plantea riesgos de privacidad.
• El cifrado homomórfico (HE) permite realizar cálculos sobre datos cifrados, salvaguardando la confidencialidad del paciente.

Objetivo del estudio:

• Desarrollar un marco de diagnóstico asistido por LLM (modelo de lenguaje grande) que utilice HE para el análisis privado de textos clínicos.
• Validar la utilidad de la HE en el diagnóstico de enfermedades raras (ER) y confirmar que no obstaculiza el rendimiento del sistema.

Principales métodos:

• Los LLM incrustaron historiales de pacientes y bases de conocimiento de ER en vectores, que luego se cifraron utilizando HE.
• Se generaron recomendaciones de diagnóstico comparando vectores cifrados en un espacio seguro.
• El marco se evaluó utilizando 50 informes de casos sintéticos de enfermedades raras.

Principales resultados:

• La HE protegió eficazmente la información privada contra ataques de ingeniería inversa.
• La HE demostró un impacto mínimo en la precisión del diagnóstico (nDCG 0.6108 frente a 0.6083).
• La precisión y el rendimiento fueron consistentes y ajustables en cinco LLM.

Conclusiones:

• El marco de preservación de la privacidad facilita soluciones de IA seguras en todas las instituciones, eliminando la necesidad de desidentificación local de datos.
• La integración de HE con la recuperación de LLM promueve servicios de IA seguros, precisos y ampliamente accesibles.