論文の概要: Privacy-preserving Artificial Intelligence Techniques in Biomedicine
- arxiv url: http://arxiv.org/abs/2007.11621v2
- Date: Fri, 6 Nov 2020 15:32:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-07 23:14:48.805727
- Title: Privacy-preserving Artificial Intelligence Techniques in Biomedicine
- Title(参考訳): バイオメディシンにおけるプライバシー保護人工知能技術
- Authors: Reihaneh Torkzadehmahani, Reza Nasirigerdeh, David B. Blumenthal, Tim
Kacprowski, Markus List, Julian Matschinske, Julian Sp\"ath, Nina Kerstin
Wenke, B\'ela Bihari, Tobias Frisch, Anne Hartebrodt, Anne-Christin
Hausschild, Dominik Heider, Andreas Holzinger, Walter H\"otzendorfer, Markus
Kastelitz, Rudolf Mayer, Cristian Nogales, Anastasia Pustozerova, Richard
R\"ottger, Harald H.H.W. Schmidt, Ameli Schwalber, Christof Tschohl, Andrea
Wohner, Jan Baumbach
- Abstract要約: 機密データに基づくAIモデルのトレーニングは、個々の参加者のプライバシに関する懸念を提起する。
本稿では,生物医学におけるプライバシ保存型AI技術の進歩について概説する。
最も重要な最先端のアプローチを統一された分類分野に配置し、その強み、限界、オープンな問題について議論する。
- 参考スコア(独自算出の注目度): 3.908261721108553
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Artificial intelligence (AI) has been successfully applied in numerous
scientific domains. In biomedicine, AI has already shown tremendous potential,
e.g. in the interpretation of next-generation sequencing data and in the design
of clinical decision support systems. However, training an AI model on
sensitive data raises concerns about the privacy of individual participants.
For example, summary statistics of a genome-wide association study can be used
to determine the presence or absence of an individual in a given dataset. This
considerable privacy risk has led to restrictions in accessing genomic and
other biomedical data, which is detrimental for collaborative research and
impedes scientific progress. Hence, there has been a substantial effort to
develop AI methods that can learn from sensitive data while protecting
individuals' privacy. This paper provides a structured overview of recent
advances in privacy-preserving AI techniques in biomedicine. It places the most
important state-of-the-art approaches within a unified taxonomy and discusses
their strengths, limitations, and open problems. As the most promising
direction, we suggest combining federated machine learning as a more scalable
approach with other additional privacy preserving techniques. This would allow
to merge the advantages to provide privacy guarantees in a distributed way for
biomedical applications. Nonetheless, more research is necessary as hybrid
approaches pose new challenges such as additional network or computation
overhead.
- Abstract(参考訳): 人工知能(AI)は多くの科学分野に応用されている。
バイオメディシンでは、AIは、例えば次世代のシーケンシングデータの解釈や臨床決定支援システムの設計において、すでに大きな可能性を示している。
しかし、機密データに対するAIモデルのトレーニングは、個々の参加者のプライバシに関する懸念を引き起こす。
例えば、ゲノムワイドアソシエーション研究の要約統計は、与えられたデータセット内の個人の有無を判断するために使用できる。
このかなりのプライバシーリスクにより、ゲノムや他の生物医学データへのアクセスが制限され、共同研究に支障をきたし、科学的進歩を妨げている。
そのため、個人のプライバシーを保護しながら、機密性の高いデータから学習できるAIメソッドの開発には、かなりの努力が払われている。
本稿では,生物医学におけるプライバシ保存型AI技術の最近の進歩について概説する。
最も重要な最先端のアプローチを統一された分類分野に配置し、その強み、限界、オープンな問題について議論する。
最も有望な方向として、フェデレーション機械学習をよりスケーラブルなアプローチとして、他のプライバシー保護技術と組み合わせることを提案します。
これにより、バイオメディカルアプリケーションのための分散方法でプライバシ保証を提供するというメリットをマージすることができる。
それでも、ネットワークの追加や計算オーバーヘッドなど、ハイブリッドアプローチが新たな課題をもたらすため、さらなる研究が必要である。
関連論文リスト
- A Unified View of Differentially Private Deep Generative Modeling [60.72161965018005]
プライバシー上の懸念のあるデータには、データアクセスとデータ共有を頻繁に禁止する厳格な規制が伴う。
これらの障害を克服することは、プライバシーに敏感なデータを含む多くの現実世界のアプリケーションシナリオにおいて、技術的進歩の鍵となる。
差分的プライベート(DP)データパブリッシングは、データの衛生化された形式のみを公開する、魅力的なソリューションを提供する。
論文 参考訳(メタデータ) (2023-09-27T14:38:16Z) - Balancing Privacy and Progress in Artificial Intelligence: Anonymization
in Histopathology for Biomedical Research and Education [1.8078387709049526]
医療データを“可能な限りオープン”に転送することは、患者のプライバシにリスクをもたらす。
既存の規制は、再識別リスクを避けるため、医療データを「必要に応じてクローズド」し続けるよう推進している。
本稿では,医療データ共有に関する法的規制と用語について考察する。
論文 参考訳(メタデータ) (2023-07-18T16:53:07Z) - The Future of Fundamental Science Led by Generative Closed-Loop
Artificial Intelligence [67.70415658080121]
機械学習とAIの最近の進歩は、技術革新、製品開発、社会全体を破壊している。
AIは、科学的な実践とモデル発見のための高品質なデータの大規模なデータセットへのアクセスがより困難であるため、基礎科学にはあまり貢献していない。
ここでは、科学的な発見に対するAI駆動、自動化、クローズドループアプローチの側面を調査し、調査する。
論文 参考訳(メタデータ) (2023-07-09T21:16:56Z) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳(メタデータ) (2023-05-25T16:29:16Z) - Securing Biomedical Images from Unauthorized Training with Anti-Learning
Perturbation [26.81914618642174]
そこで本研究では, 生医学的データを保護するために, 不知覚だが妄想的なノイズをデータに注入することで, 生医学的データを保護する手法を提案する。
本手法は,研究コミュニティの長期的発展のために,より多くの機関にデータ提供を促すための重要なステップである。
論文 参考訳(メタデータ) (2023-03-05T03:09:03Z) - Human-Centric Multimodal Machine Learning: Recent Advances and Testbed
on AI-based Recruitment [66.91538273487379]
人間中心のアプローチでAIアプリケーションを開発する必要性には、ある程度のコンセンサスがある。
i)ユーティリティと社会的善、(ii)プライバシとデータ所有、(iii)透明性と説明責任、(iv)AIによる意思決定プロセスの公正性。
異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
論文 参考訳(メタデータ) (2023-02-13T16:44:44Z) - The Role of AI in Drug Discovery: Challenges, Opportunities, and
Strategies [97.5153823429076]
この分野でのAIのメリット、課題、欠点についてレビューする。
データ拡張、説明可能なAIの使用、従来の実験手法とAIの統合についても論じている。
論文 参考訳(メタデータ) (2022-12-08T23:23:39Z) - Collaborative analysis of genomic data: vision and challenges [9.608060862723862]
DNAシークエンシングのコストは、近年、科学的研究、臨床試験、医療提供を改善するために利用されている遺伝子データの急増に繋がった。
ヒトゲノムは個人を識別できるため、この特徴はセキュリティやプライバシーの懸念も引き起こす。
本稿では、規制と倫理的ガイドラインを探求し、セキュアかつプライベートなゲノムデータストレージ/処理/共有プラットフォームに関するビジョンを提案する。
論文 参考訳(メタデータ) (2022-02-10T05:16:11Z) - Machine Learning in Precision Medicine to Preserve Privacy via
Encryption [2.099922236065961]
我々は,がんを予測するMLモデルの構築に使用した,暗号化(MLE)フレームワークを用いた汎用機械学習を提案する。
我々のフレームワークの予測精度は、同じデータセット上で実施された最新の研究よりもわずかに高い。
私たちは、フレームワークの設計と実装、すべてのML実験とコード、そして、無料のクラウドサービスにデプロイされた最終的な予測モデルを含む、オープンソースのリポジトリを提供しています。
論文 参考訳(メタデータ) (2021-02-05T20:22:15Z) - A narrowing of AI research? [0.0]
学術と民間におけるAI研究のテーマ的多様性の進化について研究する。
我々は、AI研究における民間企業の影響力を、彼らが受け取った引用と他の機関とのコラボレーションを通じて測定する。
論文 参考訳(メタデータ) (2020-09-22T08:23:56Z) - More Than Privacy: Applying Differential Privacy in Key Areas of
Artificial Intelligence [62.3133247463974]
差分プライバシーは、AIのプライバシー保護以上のことができることを示す。
また、セキュリティを改善し、学習を安定させ、公正なモデルを構築し、AIの選択領域にコンポジションを課すためにも使用できる。
論文 参考訳(メタデータ) (2020-08-05T03:07:36Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。