神经图像的伪名化和数据保护:增加对数据的访问,同时保持科学实用性
Damian Eke1, Ida E J Aasebø2, Simisola Akintoye3
1Centre for Computing and Social Responsibility, De Montfort University, Leicester, UK.
Neuroimage. Reports
|June 26, 2025
概括
由于人工智能,从大脑图像中删除面部特征不再足以保护隐私. 需要新的方法来平衡数据保护和分享神经图像的科学实用性.
科学领域:
- 神经成像是一种神经成像.
- 数据 隐私 数据 隐私 数据
- 机器学习 机器学习
背景情况:
- 传统的方法,如破坏,骨剥离,和面罩被用于神经图像隐私.
- 这些方法在数据保护和研究实用性之间做出了妥协.
- 人工智能的进步,特别是深度学习,引发了人们对处理的神经图像的重新识别能力的担忧.
研究的目的:
- 为了澄清神经成像中的匿名化,假名化和非识别概念.
- 要突出当前神经图像去识别技术的隐私限制.
- 讨论共享假名神经图像的措施,同时保持数据的实用性.
主要方法:
- 审查神经成像中现有的隐私保护技术.
- 对机器学习和深度学习能力进行分析,以重新识别.
- 讨论数据共享的技术和组织保障措施.
主要成果:
- 面部特征去除技术对于神经图像隐私越来越不够.
- 现有的伪名化和非身份化方法存在重大隐私限制.
- 在神经成像中,开放科学和数据保护之间的紧张关系正在升级.
结论:
- 目前的神经图像隐私方法对先进的人工智能是不够的.
- 需要加强策略来保护敏感的神经成像数据.
- 实施强有力的技术和组织保障措施对于负责任的数据共享至关重要.
更多相关视频
05:14Standardized Data Acquisition for Neuromelanin-Sensitive Magnetic Resonance Imaging of the Substantia Nigra
Published on: September 8, 2021
3.7K
06:32Author Spotlight: Automated Deep Brain Stimulation for Parkinson's Disease - Exploring the Possibilities and Challenges of Home Monitoring
Published on: July 14, 2023
1.4K
