論文の概要: ECG Unveiled: Analysis of Client Re-identification Risks in Real-World ECG Datasets
- arxiv url: http://arxiv.org/abs/2408.10228v1
- Date: Fri, 2 Aug 2024 19:24:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-25 14:21:10.742532
- Title: ECG Unveiled: Analysis of Client Re-identification Risks in Real-World ECG Datasets
- Title（参考訳）: ECGが公開:現実世界のECGデータセットにおけるクライアント再識別リスクの分析
- Authors: Ziyu Wang, Anil Kanduri, Seyed Amir Hossein Aqajari, Salar Jafarlou, Sanaz R. Mousavi, Pasi Liljeberg, Shaista Malik, Amir M. Rahmani,
- Abstract要約: 実世界の5つのデータセットのECGデータを用いて,識別再識別リスクの実証分析を行った。
本手法は,臨床専門家に貴重な知見を提供し,効果的なプライバシ保護機構の開発を導くものである。
- 参考スコア（独自算出の注目度）: 3.5393407453410846
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While ECG data is crucial for diagnosing and monitoring heart conditions, it also contains unique biometric information that poses significant privacy risks. Existing ECG re-identification studies rely on exhaustive analysis of numerous deep learning features, confining to ad-hoc explainability towards clinicians decision making. In this work, we delve into explainability of ECG re-identification risks using transparent machine learning models. We use SHapley Additive exPlanations (SHAP) analysis to identify and explain the key features contributing to re-identification risks. We conduct an empirical analysis of identity re-identification risks using ECG data from five diverse real-world datasets, encompassing 223 participants. By employing transparent machine learning models, we reveal the diversity among different ECG features in contributing towards re-identification of individuals with an accuracy of 0.76 for gender, 0.67 for age group, and 0.82 for participant ID re-identification. Our approach provides valuable insights for clinical experts and guides the development of effective privacy-preserving mechanisms. Further, our findings emphasize the necessity for robust privacy measures in real-world health applications and offer detailed, actionable insights for enhancing data anonymization techniques.
- Abstract（参考訳）: ECGデータは心臓の状態を診断し、監視するために重要であるが、プライバシーの重大なリスクを引き起こすユニークな生体情報も含んでいる。
既存の心電図の再同定研究は、多くの深層学習の特徴を徹底的に分析することに依存しており、臨床医の意思決定に対するアドホックな説明性に終止符を打つ。
本研究では,透過的な機械学習モデルを用いたECG再識別リスクの説明可能性について検討する。
SHAP(SHapley Additive exPlanations)分析を用いて、再識別リスクの原因となる重要な特徴を特定し、説明する。
223人の参加者を含む5つの現実世界のデータセットのECGデータを用いて、アイデンティティ再識別リスクの実証分析を行った。
透明な機械学習モデルを用いて、性別0.76、年齢0.67、参加者ID再識別0.82の個人の再識別に寄与する様々なECG特徴の多様性を明らかにする。
本手法は,臨床専門家に貴重な知見を提供し,効果的なプライバシ保護機構の開発を導くものである。
さらに,本研究は,現実の健康アプリケーションにおける堅牢なプライバシ対策の必要性を強調し,データ匿名化技術を強化するための詳細な,実用的な洞察を提供する。
関連論文リスト
- Electrocardiogram Report Generation and Question Answering via Retrieval-Augmented Self-Supervised Modeling [19.513904491604794]
ECG-ReGenは、ECG-to-textレポート生成と質問応答のための検索ベースのアプローチである。
事前学習と動的検索とLarge Language Model(LLM)ベースの改善を組み合わせることで、ECG-ReGenはECGデータと関連するクエリを効果的に分析する。
論文 参考訳（メタデータ） (2024-09-13T12:50:36Z) - SSSD-ECG-nle: New Label Embeddings with Structured State-Space Models for ECG generation [0.0]
拡散モデルは近年大きく進歩し、実際のモデルに匹敵するデータを合成する可能性を生み出している。
本稿では,SSSD-ECGに基づくSSSD-ECG-nleアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-07-15T16:31:25Z) - Remembering Everything Makes You Vulnerable: A Limelight on Machine Unlearning for Personalized Healthcare Sector [0.873811641236639]
この論文は、特にECGモニタリングの文脈において、パーソナライズされた医療モデルの脆弱性に対処することを目的としている。
本稿では,機械学習モデルに対する露出データポイントの影響を軽減するために,"Machine Unlearning" というアプローチを提案する。
論文 参考訳（メタデータ） (2024-07-05T15:38:36Z) - MEIT: Multi-Modal Electrocardiogram Instruction Tuning on Large Language Models for Report Generation [41.324530807795256]
心電図(Electrocardiogram、ECG)は、心臓の状態をモニタリングするための主要な非侵襲的診断ツールである。
最近の研究は心電図データを用いた心臓状態の分類に集中しているが、心電図レポートの生成は見落としている。
LLMとマルチモーダル命令を用いてECGレポート生成に取り組む最初の試みであるMultimodal ECG Instruction Tuning (MEIT) フレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-07T23:20:56Z) - OpticalDR: A Deep Optical Imaging Model for Privacy-Protective
Depression Recognition [66.91236298878383]
抑うつ認識(DR)は、特にプライバシー上の懸念の文脈において、大きな課題となる。
我々は,疾患関連特徴を保持しつつ,撮像した顔画像の識別情報を消去する新しいイメージングシステムを設計した。
正確なDRに必要な本態性疾患の特徴を保ちながら、アイデンティティ情報の回復には不可逆である。
論文 参考訳（メタデータ） (2024-02-29T01:20:29Z) - Polar-Net: A Clinical-Friendly Model for Alzheimer's Disease Detection
in OCTA Images [53.235117594102675]
オプティカルコヒーレンス・トモグラフィーは、網膜微小血管の画像化によってアルツハイマー病(AD)を検出するための有望なツールである。
我々はPolar-Netと呼ばれる新しいディープラーニングフレームワークを提案し、解釈可能な結果を提供し、臨床上の事前知識を活用する。
Polar-Netは既存の最先端の手法よりも優れており,網膜血管変化とADとの関連性について,より貴重な病理学的証拠を提供する。
論文 参考訳（メタデータ） (2023-11-10T11:49:49Z) - Towards Unifying Anatomy Segmentation: Automated Generation of a
Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。
提案手法はラベル集約段階において手作業によるアノテーションに依存しない。
我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
論文 参考訳（メタデータ） (2023-07-25T09:48:13Z) - Explaining Deep Learning for ECG Analysis: Building Blocks for Auditing and Knowledge Discovery [1.882430290187701]
深層ニューラルネットワークは、心電図データを解析するのにますます人気になっている。
これらのモデルのブラックボックスの性質による透明性の欠如は、一般的な懸念である。
この問題に対処するためには、説明可能なAI(XAI)メソッドを用いることができる。
論文 参考訳（メタデータ） (2023-05-26T15:52:08Z) - ECG-CL: A Comprehensive Electrocardiogram Interpretation Method Based on
Continual Learning [20.465733855762835]
心電図(ECG)モニタリングは心血管疾患(CVD)早期診断の最も強力な手法の一つである。
古典的なルールベースのアルゴリズムは、今ではディープラーニングベースの手法によって完全にパフォーマンスが向上している。
本稿では,高解像度の低レベルセマンティック情報を一括して保持できるマルチレゾリューションモデルを提案する。
論文 参考訳（メタデータ） (2023-04-10T15:19:00Z) - COVID-Net Biochem: An Explainability-driven Framework to Building
Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19
Patients from Clinical and Biochemistry Data [66.43957431843324]
我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。
この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
論文 参考訳（メタデータ） (2022-04-24T07:38:37Z) - 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)
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。