揭开神经成像数据中重新识别的可能性:技术和监管分析

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
• 计算机视觉 计算机视觉

背景情况:

• 分享神经成像数据增强了研究严谨性,但由于先进的重新识别算法,它面临隐私问题.
• 像面部识别这样的新型软件工具,可能会重新识别被删除的神经成像数据,从而引发隐私问题.
• 重新识别的实际风险及其监管影响仍未得到充分研究.

研究的目的:

• 通过使用面部识别算法,评估在非识别的神经成像数据中重新识别的真实风险.
• 分析非识别的神经成像数据是否符合当前美国隐私法规,在新的重新识别威胁下.
• 检查新政策,如NIH数据管理和共享政策对神经成像数据共享的影响.

主要方法:

• 模拟分析,以评估面部识别匹配精度的概括性,对损坏的神经成像数据进行匹配.
• 监管分析侧重于美国司法管辖权,以确定非身份化数据是否符合现有法律.
• 与欧盟通用数据保护条例 (GDPR) 的比较分析.

主要成果:

• 通过面部识别在损坏的神经成像数据中重新识别的可能性在现实场景中比以前报告的要低得多.
• 使用当前的非识别工具,破旧的神经成像数据符合美国现有的数据匿名性监管要求.
• 该研究提供了对NIH新数据管理和共享政策的影响的见解.

结论:

• 通过当前的面部识别技术,在非识别的神经成像数据中重新识别的风险是最小的.
• 对于神经成像数据的现有非识别实践仍然符合隐私法规.
• 这些发现支持在神经成像研究中继续和扩大开放数据共享.