在放射学中利用合成数据用于保护隐私的AI建模:一个案例研究

科学领域:

• 医学成像和人工智能 医学成像和人工智能
• 数据隐私和安全数据隐私和安全
• 在瘤学瘤学.

背景情况:

• 医疗保健人工智能模型,特别是放射学模型,由于敏感的患者数据而面临隐私挑战.
• 放射性数据可能含有独特的标识符,造成重新识别的风险.
• 保护患者隐私对于在医疗保健中道德地部署人工智能至关重要.

研究的目的:

• 探索合成放射学数据作为人工智能驱动的前列腺癌攻击性分类的隐私保护策略.
• 评估通过不同的方法生成的合成放射学数据的数据忠实性和模型性能.
• 在AI放射学中评估数据实用性和隐私保护之间的平衡.

主要方法:

• 放射性特征是从12个欧盟中心的4,588个追溯和1,369个前性前列腺癌病例的多参数MRI (mpMRI) 数据中提取的.
• 研究了三个先进的生成模型:贝叶斯高斯混合模型与最佳组件估计 (BGMMOCE),条件表式生成对抗网络 (CTGAN) 和表式变异自编码器 (TVAE).
• 使用詹森-香农分歧 (JSD) 和黑林格距离 (HD) 量化数据准确度;使用随机森林 (RF) 分类器评估模型性能.

主要成果:

• 与CTGAN和TVAE相比,BGMMOCE模型显示出更高的数据保真性,达到0.08的JSD和0.23的HD.
• 一个随机森林分类器在BGMMOCE生成的数据上进行训练,并在真实前数据上进行测试,其表现与仅在真实数据上进行训练的模型相当.
• 这些结果表明,合成数据可以保持人工智能模型的预测能力,同时增强隐私.

结论:

• 合成放射学数据,特别是由BGMMOCE生成的数据,为AI驱动的医疗保健应用程序中的隐私保护提供了可行的解决方案.
• 这种方法成功地平衡了数据忠实性和隐私,使前列腺癌攻击性分类的强大的AI模型成为可能.
• 这些发现支持使用合成数据来减轻与临床AI中放射学相关的隐私风险.