Új módszert fejlesztettek német kutatók arra, hogy a mesterséges intelligencia valósághű szemképeket hozzon létre, ám azokon nem ismerhető fel az eredeti páciens. A generált képek megőrizhetik az orvosi szempontból fontos, akár kóros jellemzőket, így kutatási és diagnosztikai célokra is használhatók lehetnek.
A szemészeti képalkotás fontos szerepet tölt be a betegségek felismerésében és az orvosi kutatásokban. Az ilyen felvételek azonban nemcsak egészségügyi információkat tartalmaznak, hanem olyan egyedi biometrikus jellemzőket is, amelyek alapján akár az adott személy is azonosítható.
A Jénai Egyetemi Kórház orvosi informatikai kutatócsoportja ezért olyan eljárást dolgozott ki, amely a generatív mesterséges intelligenciát használja fel új, szintetikus szemképek létrehozására.
A fejlesztés a Stable Diffusion egyik változatára épül, amelyet kifejezetten szem- és íriszképek előállítására hangoltak.
A betegségek fontos jelei megmaradhatnak
A rendszer valódi szemképekből tanul, majd azokhoz hasonló, de új szintetikus felvételeket készít.
Sebastian Uschmann, a kutatás egyik szerzője szerint az algoritmus úgy hoz létre az eredetiekhez hasonló képeket, hogy közben megőrzi a kóros jellemzőket, de megváltoztatja az egyéni biometrikus részleteket.
Olvasd el: Elképesztő – Memóriavesztés elleni mesterséges intelligencia-eszköz a láthatáron?
„Valós képeket használ fel olyan szintetikus képek létrehozására, amelyek nagyon hasonlítanak az eredetiekhez és pontosan ábrázolják a kóros jellemzőket. Az egyéni biometrikus részletek azonban megváltoznak” – magyarázta Uschmann.
Ez azért lehet fontos, mert a kutatóknak és az orvosi fejlesztőknek nem minden esetben van szükségük a valódi páciens eredeti felvételére. Egy megfelelően létrehozott szintetikus kép ugyanakkor alkalmas lehet diagnosztikai algoritmusok fejlesztésére, oktatásra vagy kutatásra.
A Cone of Privacy kiszűri a kockázatos képeket
A kutatók egy második védelmi lépést is beépítettek a rendszerbe. Ennek célja annak ellenőrzése, hogy a generált kép alapján be lehet-e azonosítani a személyt, akinek a felvétele szerepelt a tanítási adatok között.
Ehhez létrehozták a Cone of Privacy nevű mérőszámot. A rendszer összehasonlítja a mesterségesen létrehozott képeket az eredeti felvételekhez kapcsolódó jellemzőkkel és felismeri azokat a szintetikus képeket, amelyek túl nagy adatvédelmi kockázatot jelentenek.
A magas kockázatúnak ítélt képeket automatikusan eltávolítja, így csak a megfelelően anonimizált felvételek maradnak meg.
Több ezer szemképen tesztelték
A módszert egy 2 ezer szemképet tartalmazó adatbázison tesztelték, amely 704 emberhez kapcsolódott.
Az eredmények alapján az algoritmus valósághű szintetikus képeket tudott létrehozni, miközben a Cone of Privacy több mint 97 százalékos arányban felismerte a potenciális adatvédelmi fenyegetéseket.
A kutatás vezetője, Cord Spreckelsen professzor szerint az eredmények azt mutatják, hogy a módszer alkalmas lehet a szemészeti kutatások és fejlesztések támogatására.
„Az algoritmus valósághű szintetikus képeket generált, amelyek alkalmasak a szemészet területén végzett kutatási és fejlesztési célokra, s megbízhatóan azonosította azokat a képeket, amelyek adatvédelmi aggályokat vetettek fel” – mondta el.
Más orvosi képeknél is használható lehet
A kutatók szerint az eljárás nem feltétlenül csak a szemészeti képalkotásban alkalmazható.
A módszer más típusú orvosi képek esetében is segítséget nyújthat abban, hogy a kutatók úgy férjenek hozzá értékes egészségügyi adatokhoz, hogy közben csökkenjen a betegek személyazonosságának felfedésével járó kockázat.
Spreckelsen szerint az eljárás lehetővé teheti, hogy az orvosi adatokat adatvédelmi szempontból biztonságosabban használják fel együttműködésekben, mesterségesintelligencia-modellek tanítására és tudományos kutatásokban.
„A módszer más típusú orvosi képalkotási adatokra is alkalmazható és hozzájárulhat ahhoz, hogy az egészségügyi adatok adatvédelmi szempontból megfelelő módon legyenek felhasználhatók együttműködésekben, tanítási adatokként és tudományos kutatásokban” – fogalmazott a professzor.
A fejlesztés így egy fontos problémára kínálhat megoldást: a generatív MI segítségével létrehozott képek egyszerre lehetnek orvosilag értékesek és személyazonosításra kevésbé alkalmasak.
Forrás: medicalxpress
B.A.
