論文の概要: Revolutionizing Medical Data Sharing Using Advanced Privacy Enhancing
Technologies: Technical, Legal and Ethical Synthesis
- arxiv url: http://arxiv.org/abs/2010.14445v1
- Date: Tue, 27 Oct 2020 17:03:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-27 08:31:27.425049
- Title: Revolutionizing Medical Data Sharing Using Advanced Privacy Enhancing
Technologies: Technical, Legal and Ethical Synthesis
- Title（参考訳）: 高度なプライバシー強化技術を用いた医療データ共有の革命--技術・法・倫理合成
- Authors: James Scheibner, Jean Louis Raisaro, Juan Ram\'on Troncoso-Pastoriza,
Marcello Ienca, Jacques Fellay, Effy Vayena, Jean-Pierre Hubaux
- Abstract要約: 準同型暗号化とセキュアなマルチパーティ計算(マルチパーティ同型暗号化、MHE)
PETはプライバシーを数学的に保証し、MHEはHEやSMCを別々に使用するよりも性能上の優位性を提供する。
MHEは、機関間の契約のカスタマイズによる依存度を下げる方法について説明する。
- 参考スコア（独自算出の注目度）: 5.6324529994086845
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multisite medical data sharing is critical in modern clinical practice and
medical research. The challenge is to conduct data sharing that preserves
individual privacy and data usability. The shortcomings of traditional
privacy-enhancing technologies mean that institutions rely on bespoke data
sharing contracts. These contracts increase the inefficiency of data sharing
and may disincentivize important clinical treatment and medical research. This
paper provides a synthesis between two novel advanced privacy enhancing
technologies (PETs): Homomorphic Encryption and Secure Multiparty Computation
(defined together as Multiparty Homomorphic Encryption or MHE). These PETs
provide a mathematical guarantee of privacy, with MHE providing a performance
advantage over separately using HE or SMC. We argue MHE fulfills legal
requirements for medical data sharing under the General Data Protection
Regulation (GDPR) which has set a global benchmark for data protection.
Specifically, the data processed and shared using MHE can be considered
anonymized data. We explain how MHE can reduce the reliance on customized
contractual measures between institutions. The proposed approach can accelerate
the pace of medical research whilst offering additional incentives for
healthcare and research institutes to employ common data interoperability
standards.
- Abstract（参考訳）: マルチサイト医療データ共有は、現代の臨床および医学研究において重要である。
課題は、個人のプライバシーとデータ使用性を維持するデータ共有を行うことです。
従来のプライバシー強化技術の欠点は、機関がデータ共有契約に依存することを意味する。
これらの契約は、データ共有の非効率性を高め、重要な臨床治療や医学研究を阻害する可能性がある。
本稿では,2つの新しい先進的プライバシー強化技術 (pets) の合成について述べる。準同型暗号とセキュアなマルチパーティ計算 (mhe) である。
これらのPETはプライバシーの数学的保証を提供し、MHEはHEやSMCを別々に使用するよりもパフォーマンス上の優位性を提供する。
我々は、MHEが、データ保護のグローバルベンチマークを設定したGDPR(General Data Protection Regulation)の下で、医療データ共有の法的要件を満たしていると主張している。
具体的には、MHEを用いて処理および共有されたデータは匿名データとみなすことができる。
我々は、MHEが組織間の契約のカスタマイズによる依存を減らす方法について説明する。
提案手法は、医療研究のペースを加速し、医療機関や研究機関が共通のデータ相互運用性標準を採用するための追加インセンティブを提供する。
関連論文リスト
- Towards Privacy-Preserving Medical Imaging: Federated Learning with Differential Privacy and Secure Aggregation Using a Modified ResNet Architecture [0.0]
本研究では,局所的な差分プライバシーとセキュアアグリゲーションを組み合わせたフェデレート学習フレームワークを提案する。
また、差分プライバシーに最適化されたResNetアーキテクチャであるDPResNetを提案する。
論文 参考訳（メタデータ） (2024-12-01T05:52:29Z) - Collection, usage and privacy of mobility data in the enterprise and public administrations [55.2480439325792]
個人のプライバシーを守るためには、匿名化などのセキュリティ対策が必要である。
本研究では,現場における実践の洞察を得るために,専門家によるインタビューを行った。
我々は、一般的には最先端の差分プライバシー基準に準拠しない、使用中のプライバシー強化手法を調査した。
論文 参考訳（メタデータ） (2024-07-04T08:29:27Z) - A Distributed Privacy Preserving Model for the Detection of Alzheimer's Disease [0.0]
本稿では,分散データからトレーニングできるHIPAA準拠のフレームワークを提案する。
次に,アルツハイマー病(AD)検出のための多モード垂直フェデレーションモデルを提案する。
ここで提案されたVFLアーキテクチャは、多様な医療データソースをまたいだ協調学習を可能にする、新しい分散アーキテクチャを提供する。
論文 参考訳（メタデータ） (2023-12-15T22:09:04Z) - Preserving The Safety And Confidentiality Of Data Mining Information In Health Care: A literature review [0.0]
PPDM技術は、膨大な量のデータから実行可能な洞察を抽出することを可能にする。
機密情報の開示は患者のプライバシーを侵害する。
本稿では,プライバシ保護機構,データ保護規制,緩和戦略に関する関連研究のレビューを行う。
論文 参考訳（メタデータ） (2023-10-30T05:32:15Z) - 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) - Blockchain-empowered Federated Learning for Healthcare Metaverses:
User-centric Incentive Mechanism with Optimal Data Freshness [66.3982155172418]
まず、医療メタバースのための分散型フェデレートラーニング(FL)に基づく、ユーザ中心のプライバシ保護フレームワークを設計する。
次に,情報時代(AoI)を有効データ更新度指標として利用し,観測理論(PT)に基づくAoIベースの契約理論モデルを提案し,センシングデータ共有の動機付けを行う。
論文 参考訳（メタデータ） (2023-07-29T12:54:03Z) - The Design and Implementation of a National AI Platform for Public
Healthcare in Italy: Implications for Semantics and Interoperability [62.997667081978825]
イタリア国立衛生局は、その技術機関を通じて人工知能を採用している。
このような広大なプログラムには、知識領域の形式化に特別な注意が必要である。
AIが患者、開業医、健康システムに与える影響について疑問が投げかけられている。
論文 参考訳（メタデータ） (2023-04-24T08:00:02Z) - MedPerf: Open Benchmarking Platform for Medical Artificial Intelligence
using Federated Evaluation [110.31526448744096]
この可能性を解き明かすには、大規模な異種データに対して医療AIモデルの性能を測定する体系的な方法が必要である、と私たちは主張する。
MedPerfは、医療分野で機械学習をベンチマークするためのオープンフレームワークです。
論文 参考訳（メタデータ） (2021-09-29T18:09:41Z) - Fidelity and Privacy of Synthetic Medical Data [0.0]
医療記録のデジタル化は、新時代のビッグデータから臨床科学へとつながった。
個々のレベルの医療データを共有する必要性は増え続けており、これ以上緊急ではない。
ビッグデータの利用に対する熱意は、患者の自律性とプライバシに対する完全な適切な懸念によって誘惑された。
論文 参考訳（メタデータ） (2021-01-18T23:01:27Z) - Privacy-preserving medical image analysis [53.4844489668116]
医用画像におけるプライバシ保護機械学習(PPML)のためのソフトウェアフレームワークであるPriMIAを提案する。
集合型学習モデルの分類性能は,未発見データセットの人間専門家と比較して有意に良好である。
グラデーションベースのモデル反転攻撃に対するフレームワークのセキュリティを実証的に評価する。
論文 参考訳（メタデータ） (2020-12-10T13:56:00Z) - Privacy and Data Balkanization: Circumventing the Barriers [0.0]
プライバシの懸念と法則は、異なるデータセットを共有したり、組み合わせたりする際の大きなオーバーヘッドにつながっています。
統合データの利点がまだ明確でない新しいアプリケーションでは、このオーバーヘッドは組織がデータの共有から相互に利益を得られるかどうかを判断することさえ妨げます。
我々は、データ共有のメリットがあるかどうか、許容価格を交渉する余地があるかどうかを判断するために、プライベート情報転送を利用することで、この難しさを克服する手法について議論する。
論文 参考訳（メタデータ） (2020-10-07T22:05:28Z)
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。