論文の概要: Is Medical Chest X-ray Data Anonymous?
- arxiv url: http://arxiv.org/abs/2103.08562v1
- Date: Mon, 15 Mar 2021 17:26:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-16 14:49:02.088085
- Title: Is Medical Chest X-ray Data Anonymous?
- Title（参考訳）: 医療用胸部X線データは匿名か?
- Authors: Kai Packh\"auser, Sebastian G\"undel, Nicolas M\"unster, Christopher
Syben, Vincent Christlein, Andreas Maier
- Abstract要約: よく訓練された深層学習システムが胸部X線データから患者の身元を回復できることを示した。
大規模なChestX-ray14データセットを使用して、これを実証する。
- 参考スコア（独自算出の注目度）: 8.29994774042507
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the rise and ever-increasing potential of deep learning techniques in
recent years, publicly available medical data sets became a key factor to
enable reproducible development of diagnostic algorithms in the medical domain.
Medical data contains sensitive patient-related information and is therefore
usually anonymized by removing patient identifiers, e.g., patient names before
publication. To the best of our knowledge, we are the first to show that a
well-trained deep learning system is able to recover the patient identity from
chest X-ray data. We demonstrate this using the publicly available large-scale
ChestX-ray14 dataset, a collection of 112,120 frontal-view chest X-ray images
from 30,805 unique patients. Our verification system is able to identify
whether two frontal chest X-ray images are from the same person with an AUC of
0.9940 and a classification accuracy of 95.55%. We further highlight that the
proposed system is able to reveal the same person even ten and more years after
the initial scan. When pursuing a retrieval approach, we observe an mAP@R of
0.9748 and a precision@1 of 0.9963. Based on this high identification rate, a
potential attacker may leak patient-related information and additionally
cross-reference images to obtain more information. Thus, there is a great risk
of sensitive content falling into unauthorized hands or being disseminated
against the will of the concerned patients. Especially during the COVID-19
pandemic, numerous chest X-ray datasets have been published to advance
research. Therefore, such data may be vulnerable to potential attacks by deep
learning-based re-identification algorithms.
- Abstract（参考訳）: 近年の深層学習技術の普及と可能性の高まりにより、公開医療データセットは、医療領域における診断アルゴリズムの再現可能な開発を可能にする重要な要因となりました。
医療データには機密性のある患者関連情報が含まれているため、通常、公表前の患者名などの患者識別子を削除して匿名化される。
我々の知る限りでは、よく訓練された深層学習システムが胸部X線データから患者の身元を復元できることを初めて示す。
30,805人の患者から112,120個の胸部X線画像を集めた大規模なChestX-ray14データセットを用いてこれを実証した。
私たちの検証システムは、2つの前頭胸部X線画像が0.9940のAUCと95.55%の分類精度を持つ同一人物であるかどうかを識別することができる。
提案システムは、最初のスキャンから10年以上経っても、同じ人物を明らかにすることができることを強調します。
検索手法を追求する場合,0.9748の mAP@R と0.9963の precision@1 を観測する。
この高い識別率に基づいて、潜在的な攻撃者は患者関連情報を漏洩し、さらに相互参照画像を追加してより多くの情報を得ることができる。
したがって、機密コンテンツが無許可の手に落ちたり、患者の意志に反して散布される大きなリスクがある。
特に新型コロナウイルス(COVID-19)パンデミックの間、多くの胸部X線データセットが研究を進めるために公開された。
したがって、これらのデータは深層学習に基づく再同定アルゴリズムによる潜在的な攻撃に弱い可能性がある。
関連論文リスト
- Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。
深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。
結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。
このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
論文 参考訳（メタデータ） (2023-07-06T08:27:48Z) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文 参考訳（メタデータ） (2023-06-02T01:46:31Z) - X-ray Recognition: Patient identification from X-rays using a
contrastive objective [8.042682839888982]
深層学習モデルは、同一患者に属するCXRと異なる患者に属するCXRを区別するのに驚くほど正確であることを示す。
これらの結果は,大規模公開CXRデータベースの普及に伴う潜在的なプライバシー上の配慮を示唆している。
論文 参考訳（メタデータ） (2023-04-29T01:51:54Z) - Deep Learning-based Anonymization of Chest Radiographs: A
Utility-preserving Measure for Patient Privacy [7.240611820374677]
従来の匿名化処理は、画像中の個人情報をブラックボックスで隠蔽して行う。
このような単純な測定は、胸部X線写真に生体情報を保持し、リンケージ攻撃によって患者の再同定を可能にする。
胸部X線画像の匿名化を目的とした,初となる深層学習型アプローチ(PriCheXy-Net)を提案する。
論文 参考訳（メタデータ） (2022-09-23T11:36:32Z) - Cardiomegaly Detection using Deep Convolutional Neural Network with
U-Net [0.0]
深層学習に基づく心内膜疾患検出のためのカスタマイズされたU-Netモデルを提案する。
この研究は胸部X線画像データセットを使用して、診断精度94%をシミュレートし、生成した。
論文 参考訳（メタデータ） (2022-05-23T04:02:20Z) - Generative Residual Attention Network for Disease Detection [51.60842580044539]
本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。
我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。
次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
論文 参考訳（メタデータ） (2021-10-25T14:15:57Z) - The pitfalls of using open data to develop deep learning solutions for
COVID-19 detection in chest X-rays [64.02097860085202]
深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。
オープンソースデータのトレーニングやテストでは,結果は異例です。
データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
論文 参考訳（メタデータ） (2021-09-14T10:59:11Z) - Learning Invariant Feature Representation to Improve Generalization
across Chest X-ray Datasets [55.06983249986729]
我々は、トレーニングデータと同じデータセットでテストすると、ディープラーニングモデルが、異なるソースからデータセットでテストされると、パフォーマンスが低下し始めることを示す。
対戦型トレーニング戦略を用いることで、ネットワークはソース不変表現を学習せざるを得ないことを示す。
論文 参考訳（メタデータ） (2020-08-04T07:41:15Z) - Searching for Pneumothorax in Half a Million Chest X-Ray Images [0.0]
気胸(Pneumothorax)は、胸部X線で経験豊富な放射線医によって検出される致命的な疾患である。
本研究では,胸部X線画像から気胸を分類するための画像検索法について検討した。
胸部X線画像50万枚において,気胸のCBIRに深く事前訓練した特徴が有効であることを示す最初の研究である。
論文 参考訳（メタデータ） (2020-07-30T13:03:52Z) - Y-Net for Chest X-Ray Preprocessing: Simultaneous Classification of
Geometry and Segmentation of Annotations [70.0118756144807]
この研究は、機械学習アルゴリズムに胸部X線入力のための一般的な前処理ステップを導入する。
VGG11エンコーダをベースとした改良Y-Netアーキテクチャを用いて,ラジオグラフィの幾何学的配向とセグメンテーションを同時に学習する。
対照画像の27.0%,34.9%に対し,95.8%,96.2%のアノテーションマスクが認められた。
論文 参考訳（メタデータ） (2020-05-08T02:16:17Z) - Unsupervised Anomaly Detection for X-Ray Images [4.353258086186526]
本研究では,手指X線画像の評価において,異常のない画像で訓練された教師なしの方法を用いて,医師を支援する方法について検討する。
我々は、教師なし学習に最先端のアプローチを採用し、異常を検出し、これらの手法の出力がどのように説明できるかを示す。
実世界のX線画像のデータセット上で,ラベルがなくても満足な結果が得られることを実証的に示す。
論文 参考訳（メタデータ） (2020-01-29T15:14:56Z)
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。