不同隐私对乳房超声波图像分类性能的影响使用视觉变压器
Jiaqi Yang1, Xiaofei Zhong2, Zhigang Luo3
1Operating Room, West China Hospital, Sichuan University/West China School of Nursing, Sichuan University, Chengdu, China.
Quantitative imaging in medicine and surgery
|December 10, 2025
概括
差异隐私 (DP) 可以保护敏感的乳房超声波数据,但会影响诊断准确性. 在DP参数≥1和δ=0.1的情况下,可以实现平衡,保持临床使用的高性能.
科学领域:
- 医学成像分析 医学成像分析
- 机器学习 机器学习
- 数据 隐私 数据 隐私 数据
背景情况:
- 乳房超声波图像包含敏感的患者数据,即使在非识别后也会带来隐私风险.
- 在这些数据上训练的深度学习 (DL) 模型可以无意中泄露患者特定的信息.
- 不同隐私 (DP) 提供了数学隐私保证,但其对乳房超声波诊断准确性的影响尚未得到充分量化.
研究的目的:
- 系统地评估深度学习模型中隐私和实用性之间的权衡,用于乳房超声波分类.
- 为保护隐私的人工智能模型的临床部署提供证据.
- 量化不同差异性隐私 (DP) 参数对诊断性能的影响.
主要方法:
- 2,149张乳房超声波图像的数据集被策划并分为训练,验证和测试.
- 三个深度学习骨干 (ResNet50,EfficientNet-B0,ViT-B/16) 进行了微调,其中ViT-B/16被选为表现最佳的骨干.
- 使用Opacus库将12个 (ε, δ) 配置中的DP应用到ViT-B/16模型中,评估准确性,F1分数和AUC-ROC.
主要成果:
- 非私人ViT-B/16模型实现了94.9%的准确性,93.4%的F1得分和99.2%的AUC-ROC.
- 引入DP导致性能单调下降,因为隐私参数 ε下降.
- 在 ε=1, δ=0.1 发现了临床可行的妥协,准确率为 87.4%,F1 评分为 82.8%,AUC-ROC. 94.1%.
结论:
- 不同隐私可以集成到乳房超声波分类模型中,同时保持可量化的隐私.
- 选择DP参数 ε≥1 和 δ=0.1 允许保持接近非私人基线的诊断准确性.
- 这项研究为AI在乳腺超声波中的隐私保护临床部署提供了实际指导.
