Аутсорсинг ИИ и глубокого обучения в здравоохранении: защита приватности данных

Джонатан Мартин, директор по операциям EMEA в Anomali, подчеркивает, как искусственный интеллект и глубокое обучение трансформируют здравоохранение, предоставляя действенные инсайты. Open-source фреймворки — Theano, Torch, CNTK, TensorFlow — обеспечивают точные прогнозы для состояний от онкологии до сердечно-сосудистых заболеваний на основе изображений и клинических данных.

Интеграция ИИ в медицинские рабочие процессы — не опция, а стратегический императив. Но путь впереди усеян вызовами, в частности хроническим дефицитом технически квалифицированных специалистов. Кадры кибербезопасности могли бы заполнить этот разрыв, но предложение квалифицированных экспертов отстает от спроса по всей отрасли.

Сложность усиливается требованием доступа к персонально идентифицируемой информации (PII). PII — приоритетная цель кибератак, что делает ее защиту первостепенной. В 2019 году Национальная служба здравоохранения (NHS) партнерила с DeepMind (дочерняя Alphabet/Google) для анализа 1,6 млн записей пациентов — включая анализы крови, диагностическую визуализацию, ВИЧ-статус и историю лекарств — что вызвало серьезные опасения по приватности.

Инцидент с программой-шантажистом WannaCry подчеркнул разрушительное воздействие единого взлома на национальную медицинскую инфраструктуру. Несмотря на риски, потенциальные выгоды ИИ слишком значимы, чтобы игнорировать их. Решение — в построении надежной технической компетенции in-house и внедрении строгих протоколов обработки данных.

Ключевые меры защиты:

• Редакция и псевдонимизация — удаление всего PII перед выходом данных из организации. Только доверенный партнер должен хранить соответствие между идентификаторами пациентов и их псевдонимами.
• Удаление полуконфиденциальных атрибутов — геолокация или иные контекстные данные могут случайно позволить реидентификацию и должны исключаться, если не критически необходимы.

Эти практики снижают риски, но не безупречны. Исследование Карнеги-Меллонского университета показало, что номера социального страхования часто можно восстановить из кажущихся безобидными полей — даты рождения и пола — демонстрируя пределы конвенциональной деидентификации.

Новые технологии — федеративное обучение и гомоморфное шифрование — обещают более сильные гарантии приватности. Федеративное обучение хранит сырой data on-premise, агрегируя только обновления моделей, тогда как гомоморфное шифрование позволяет вычисления над зашифрованными данными без дешифровки — фактически исключая раскрытие PII.

Хотя эти решения еще зреют, здравоохранение должно найти баланс между использованием трансформирующей силы ИИ и защитой конфиденциальности пациентов. Непрерывные инвестиции в квалифицированный персонал, безопасные архитектуры и privacy-enhancing техники станут краеугольным камнем ответственного внедрения ИИ.

Автор: Джонатан Мартин, директор по операциям EMEA в Anomali