从组织病理学图像重新识别

科学领域:

• 数字病理学数字病理学
• 医学成像分析分析 医学成像分析
• 机器学习在医疗保健中的应用

背景情况:

• 深度学习模型分析组织病理学图像,用于诸如瘤亚型化等任务.
• 大数据集对于训练这些模型至关重要,但需要匿名化来保护患者的隐私.
• 现有的匿名化方法可能无法完全减轻重新识别的风险.

研究的目的:

• 通过使用深度学习来评估基因病理学数据集中患者的重新识别风险.
• 为了比较各种深度学习模型对患者重新识别的性能.
• 开发一个风险评估方案,用于隐私保护在数字病理学.

主要方法:

• 评估用于患者重新识别的简单和最先进的深度学习算法.
• 使用了两个TCIA数据集 (肺状细胞癌,肺腺癌) 和一个内部脑膜瘤数据集.
• 对比整个幻灯片图像分类器和特征提取器,以重新识别准确度.

主要成果:

• 深度学习算法在从组织病理学幻灯片中重新识别患者方面取得了相当大的准确性.
• 在LSCC上获得F1得分高达80.1%,在LUAD上达到77.19%,在脑膜瘤数据集上达到77.09%.
• 证明,即使是简单的模型也可能带来重大重新识别风险.

结论:

• 深度学习在组织病理学数据集中对患者重新识别存在相当大的风险.
• 建议采用风险评估方案,在数据发布之前评估和减轻隐私风险.
• 强调在数字病理学中需要强大的匿名化技术.