隠れることと見つけること：プライバシー保護人工知能と希少疾患診断における実現可能性研究

科学分野:

• 医療における人工知能
• 暗号理論
• 医療情報学

背景:

• 臨床意思決定支援システムでは、機密性の高い患者データを共有する必要があることが多く、プライバシーのリスクが生じます。
• ホモモルフィック暗号化（HE）は、暗号化されたデータに対する計算を可能にし、患者の機密性を保護します。

研究 の 目的:

• プライベートな臨床テキスト分析のためのHEを使用したLLM支援診断フレームワークを開発すること。
• HEの希少疾患（RD）診断における有用性を検証し、システムパフォーマンスを妨げないことを確認すること。

主な方法:

• LLMは、患者の病歴とRDナレッジベースをベクトルに埋め込み、その後HEを使用して暗号化されました。
• 診断推奨事項は、安全な空間で暗号化されたベクトルを比較することによって生成されました。
• このフレームワークは、50の合成希少疾患症例報告を使用して評価されました。

主要な成果:

• HEは、リバース・エンベディング攻撃に対してプライベート情報を効果的に保護しました。
• HEは、診断精度への影響を最小限に抑えました（nDCG 0.6108対0.6083）。
• 精度とパフォーマンスは、5つのLLM全体で一貫しており、調整可能でした。

結論:

• プライバシー保護フレームワークは、機関全体で安全なAIソリューションを促進し、ローカルデータの匿名化の必要性を排除します。
• HEとLLM検索の統合は、安全で正確、かつ広くアクセス可能なAIサービスを促進します。