通过联合学习、深度学习、差分隐私和加密计算维护医学成像中的隐私

1、原文

Maintaining Privacy in Medical Imaging with Federated Learning, Deep Learning, Differential Privacy, and Encrypted Computation.

https://ieeexplore.ieee.org/document/9417997  

2、摘要

由于医疗数据隐私法规，目前用于算法训练和评估的数据集的可用性受到阻碍。由于缺乏结构化的电子病历和严格的法律标准，患者数据很难在整合的数据湖中收集和共享。对于训练算法，例如卷积神经网络，这会带来困难，通常需要大量的训练示例。为了避免在鼓励对旨在加强患者护理的广泛数据集进行临床研究时损害患者隐私，必须采用技术解决方案同时满足数据安全和使用标准。我们概述了用于安全和隐私保护的人工智能的当前和尖端技术，重点介绍了医学成像应用和潜在机会。

3、正文

--------------------------------------------------------------

----------------------------------------------------------------

--------------------------------------------------------------

-----------------------------------------------------------------

4、结论

电子医疗保健系统是保护个人健康记录的最新兴和发展中的系统。在当前场景下，需要解决医疗数据隐私安全方面的一些问题。为了实现正确的传入数据存储、索引维护和访问能力，需要有效的服务。此外，找到一组可接受的清理属性将减少副作用，尤其是当敏感信息与非敏感信息重叠时。医疗记录需要保存在医疗保健云中的大数据存储中，以便为患者和医疗专业人员提供移动性和轻松访问。研究人员寻求维护医疗数据隐私的主要目标，即建立一个可靠的系统，以克服加密和解密数据时计算时间和费用的缺点。但是，要保护医疗保健数据的隐私以提供更好的数据保护，还有很多工作要做。这篇评论论文概述了医疗保健数据隐私保护，并通过优势、限制和绩效衡量来检查当前的方法。它将帮助读者了解在隐私方面对医疗数据的最先进保护。

5、参考文献