Estudio: Nuevo método de mejora de la privacidad para datos médicos basados ​​en IA

La inteligencia artificial tiene el potencial de mejorar la capacidad de los médicos para diagnosticar y tratar la apnea del sueño. Pero la tecnología no se adopta ampliamente por temor a que no proteja los datos de los pacientes.

Esto pronto podría cambiar.

Un nuevo estudio dirigido por la Universidad de Buffalo muestra cómo cifrar de forma segura datos impulsados ​​por IA mientras viajan desde proveedores de servicios en la nube externos, como Google o Amazon, hasta los médicos y sus pacientes.

El método, que se basa en un cifrado totalmente homomórfico (FHE), demostró una eficacia del 99,56 % en la detección de la apnea del sueño a partir de un conjunto de datos de electrocardiograma (ECG) no identificado que está disponible para investigación. En última instancia, la técnica podría acelerar y mejorar la detección y el tratamiento de la apnea del sueño y usarse en otras aplicaciones de atención médica donde proteger los datos es primordial.

«Este trabajo destaca cómo el procesamiento de datos seguro y cifrado puede proteger la privacidad del paciente y al mismo tiempo permitir herramientas de diagnóstico avanzadas basadas en IA. Ofrece un potencial significativo para mejorar la seguridad de la atención médica en el diagnóstico de la apnea del sueño y otras áreas», afirmó la investigadora principal, Nalini Ratha. , Ph.D., Profesor de Innovación SUNY Empire en el Departamento de Ingeniería y Ciencias de la Computación de la UB.

El estudio fue presentado en la Conferencia Internacional sobre Reconocimiento de Patrones (CIPR 2024), celebrada del 1 al 5 de diciembre en Calcuta, India. Los coautores incluyen a Charanjit Jutla, miembro del personal de investigación de IBM; Arjun Ramesh Kaushik, Ph.D. estudiante de la UB; y los estudiantes de maestría Tilak Sharma y Bharat Yalavarthi, quienes recientemente se graduaron del programa de informática de la UB.

Maximizar beneficios, disminuir riesgos

La IA puede beneficiar tanto a los médicos como a los pacientes, afirmó Ratha. El aprendizaje automático ofrece varias ventajas, incluido un análisis más rápido y eficiente, la capacidad de procesar grandes volúmenes de datos y la posibilidad de realizar un diagnóstico más preciso.

Por ejemplo, los algoritmos de aprendizaje profundo están entrenados para identificar patrones en las señales del ECG que indican interrupciones en la respiración o disminución de los niveles de oxígeno durante el sueño, que son característicos de la apnea del sueño. Al analizar grandes cantidades de datos de ECG, estos modelos pueden aprender a detectar anomalías sutiles que pueden ser difíciles de identificar para los médicos humanos, explicó.

Lo preocupante es simplemente la difusión de los datos, así como los resultados del diagnóstico, ya que puede violar la privacidad del paciente.

«Si un proveedor de servicios en la nube como Google o Amazon realiza un análisis de mis datos, potencialmente puede descubrir cuál es mi estado de apnea del sueño y luego comenzar a enviarme anuncios para comprar esto o aquello», dijo. «Los proveedores de servicios en la nube también pueden tener acuerdos con otras empresas para realizar ventas cruzadas. La información sobre la apnea del sueño sólo está destinada a mi médico; no es para el consumo público, especialmente para generar ingresos publicitarios a partir de mi situación».

Las compañías de seguros también podrían capturar los datos y potencialmente aumentar las primas de los pacientes con apnea del sueño porque se han revelado sus afecciones.

«Una vez que se rompe el primer muro de la confidencialidad, la pérdida de información puede costar al paciente de muchas maneras», dijo Ratha. «Una vez que recopilas todos estos ECG sin ninguna restricción, puedes intentar hacer muchos vínculos innecesarios. Si alguien envía su ECG a un proveedor de servicios en Internet, ahí es donde entramos nosotros. ¿Cómo evitamos que esos proveedores de servicios ¿Usar mal los datos?»

Procesamiento más rápido y eficiente de datos cifrados

Se sabe que los análisis basados ​​en FHE son más lentos y complejos que los métodos tradicionales de análisis de datos no cifrados.

Los investigadores superaron estos inconvenientes desarrollando nuevas técnicas que optimizan las operaciones clave de aprendizaje profundo, permitiendo que el sistema FHE funcione de manera más rápida y económica.

Ejemplos de estas técnicas, que abarcan todas las etapas de una red neuronal profunda, incluyen la convolución, que es un método utilizado para detectar patrones; funciones de activación, como una unidad lineal rectificada, que ayuda al modelo a tomar decisiones; agrupación, que se utiliza para reducir el tamaño de los datos; y capa totalmente conectada, que es una red neuronal en la que cada nodo de entrada está conectado a cada nodo de salida.

Citando un ejemplo estándar en el dominio FHE, Ratha utilizó una analogía dorada para explicar cómo funciona su sistema de cifrado.

«Si quieres construir un adorno de oro, pero no quieres dárselo directamente al joyero porque no sabes qué mezclará con él, lo pones en una caja», dijo. «El joyero puede tocar el oro, pero nunca puede sacarlo de la caja. La caja es nuestro cifrado, los datos son el oro y el joyero es el algoritmo basado en FHE que llega y toca los datos pero no puede extraerlos. fuera de la caja.»

Ratha enfatizó que si bien utilizaron la apnea del sueño para este estudio, sus hallazgos podrían aplicarse a muchos análisis de datos de imágenes de rayos X, resonancias magnéticas, tomografías computarizadas y otros procedimientos médicos.

«Hay muchas situaciones en las que la privacidad es primordial», afirmó.