論文の概要: SafeTriage: Facial Video De-identification for Privacy-Preserving Stroke Triage

• arxiv url: http://arxiv.org/abs/2506.16578v1
• Date: Thu, 19 Jun 2025 20:02:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:05.243059
• Title: SafeTriage: Facial Video De-identification for Privacy-Preserving Stroke Triage
• Title（参考訳）: SafeTriage: プライバシー保護ストロークトライアージのための顔認識ビデオ
• Authors: Tongan Cai, Haomiao Ni, Wenchao Ma, Yuan Xue, Qian Ma, Rachel Leicht, Kelvin Wong, John Volpi, Stephen T. C. Wong, James Z. Wang, Sharon X. Huang,
• Abstract要約: 緊急時の脳卒中の効果的なトリアージは、顔面筋の調整において微妙な異常を識別する臨床医の能力に依存していることが多い。 最近のAIモデルは、患者の顔ビデオからそのようなパターンを検出することを約束しているが、実際の患者データに依存しているため、倫理的およびプライバシー上の課題が提起されている。 本研究は,脳卒中診断に必須な動作手がかりを保ちながら,患者の顔映像を識別する新しい方法であるSafeTriageを提案する。
• 参考スコア（独自算出の注目度）: 9.63818565304539
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Effective stroke triage in emergency settings often relies on clinicians' ability to identify subtle abnormalities in facial muscle coordination. While recent AI models have shown promise in detecting such patterns from patient facial videos, their reliance on real patient data raises significant ethical and privacy challenges -- especially when training robust and generalizable models across institutions. To address these concerns, we propose SafeTriage, a novel method designed to de-identify patient facial videos while preserving essential motion cues crucial for stroke diagnosis. SafeTriage leverages a pretrained video motion transfer (VMT) model to map the motion characteristics of real patient faces onto synthetic identities. This approach retains diagnostically relevant facial dynamics without revealing the patients' identities. To mitigate the distribution shift between normal population pre-training videos and patient population test videos, we introduce a conditional generative model for visual prompt tuning, which adapts the input space of the VMT model to ensure accurate motion transfer without needing to fine-tune the VMT model backbone. Comprehensive evaluation, including quantitative metrics and clinical expert assessments, demonstrates that SafeTriage-produced synthetic videos effectively preserve stroke-relevant facial patterns, enabling reliable AI-based triage. Our evaluations also show that SafeTriage provides robust privacy protection while maintaining diagnostic accuracy, offering a secure and ethically sound foundation for data sharing and AI-driven clinical analysis in neurological disorders.
• Abstract（参考訳）: 緊急時の脳卒中の効果的なトリアージは、顔面筋の調整において微妙な異常を識別する臨床医の能力に依存していることが多い。 最近のAIモデルは、患者の顔ビデオからそのようなパターンを検出することを約束しているが、実際の患者データへの依存は、特に機関間で堅牢で一般化可能なモデルをトレーニングする場合、倫理的およびプライバシー上の重大な課題を引き起こす。 これらの問題に対処するため,脳卒中診断に必須の動作手がかりを保ちながら,患者の顔映像を識別する新しい方法であるSafeTriageを提案する。 SafeTriageは、トレーニング済みのビデオモーショントランスファー(VMT)モデルを利用して、実際の患者の顔のモーション特性を合成IDにマッピングする。 このアプローチは、患者の身元を明らかにすることなく、診断に関連のある顔面動態を保っている。 そこで我々は,VMTモデルの入力空間に適応して,VMTモデルのバックボーンを微調整することなく正確な動作伝達を保証する,視覚的プロンプトチューニングのための条件生成モデルを提案する。 定量的メトリクスや臨床専門家の評価を含む包括的な評価は、SafeTriageが生成する合成ビデオが脳卒中関連顔パターンを効果的に保存し、信頼できるAIベースのトリアージを可能にすることを示した。 我々の評価では、SafeTriageは、診断精度を維持しながら堅牢なプライバシ保護を提供し、データ共有のための安全かつ倫理的に健全な基盤と、神経疾患におけるAI駆動臨床分析を提供する。

関連論文リスト

• FedDP: Privacy-preserving method based on federated learning for histopathology image segmentation [2.864354559973703]
  本稿では,医用画像データの分散特性とプライバシ感受性について,フェデレート学習フレームワークを用いて検討する。 提案手法であるFedDPは,がん画像データのプライバシーを効果的に保護しつつ,モデルの精度に最小限の影響を与える。
  論文  参考訳（メタデータ） (2024-11-07T08:02:58Z)
• Which Client is Reliable?: A Reliable and Personalized Prompt-based Federated Learning for Medical Image Question Answering [51.26412822853409]
  本稿では,医学的視覚的質問応答(VQA)モデルのための,パーソナライズド・フェデレーションド・ラーニング(pFL)手法を提案する。 提案手法では,学習可能なプロンプトをTransformerアーキテクチャに導入し,膨大な計算コストを伴わずに,多様な医療データセット上で効率的にトレーニングする。
  論文  参考訳（メタデータ） (2024-10-23T00:31:17Z)
• Towards Synthetic Data Generation for Improved Pain Recognition in Videos under Patient Constraints [11.515273901289472]
  本研究では、合成データを活用して、ビデオに基づく痛み認識モデルを強化する新しいアプローチを提案する。 本稿では,小さな参加者プールからニュアンスな顔の動きを捉え,リアルな3次元顔モデルを合成するパイプラインを提案する。 このプロセスは8,600個の合成顔を生成し、様々な角度と視点から本物の痛み表現を正確に反映する。
  論文  参考訳（メタデータ） (2024-09-24T18:33:57Z)
• CFCPalsy: Facial Image Synthesis with Cross-Fusion Cycle Diffusion Model for Facial Paralysis Individuals [6.9859169233703104]
  本研究の目的は、このギャップに対処するために、高品質な顔面麻痺データセットを合成することである。 拡散モデルに基づく新しいクロスフュージョンサイクルPalsy式生成モデル(PalsyCFC)を提案する。 顔面麻痺の一般的な臨床データセットについて, 定性的, 定量的に検討した。
  論文  参考訳（メタデータ） (2024-09-11T13:46:35Z)
• 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)
• 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)
• Diff-Privacy: Diffusion-based Face Privacy Protection [58.1021066224765]
  本稿では,Diff-Privacyと呼ばれる拡散モデルに基づく顔のプライバシー保護手法を提案する。 具体的には、提案したマルチスケール画像インバージョンモジュール(MSI)をトレーニングし、元の画像のSDMフォーマット条件付き埋め込みのセットを得る。 本研究は,条件付き埋め込みに基づいて,組込みスケジューリング戦略を設計し,デノナイズプロセス中に異なるエネルギー関数を構築し,匿名化と視覚的アイデンティティ情報隠蔽を実現する。
  論文  参考訳（メタデータ） (2023-09-11T09:26:07Z)
• Private, fair and accurate: Training large-scale, privacy-preserving AI models in medical imaging [47.99192239793597]
  我々は,AIモデルのプライバシ保護トレーニングが,非プライベートトレーニングと比較して精度と公平性に与える影響を評価した。 我々の研究は、実際の臨床データセットの困難な現実的な状況下では、診断深層学習モデルのプライバシー保護トレーニングは、優れた診断精度と公正さで可能であることを示しています。
  論文  参考訳（メタデータ） (2023-02-03T09:49:13Z)
• Hide-and-Seek Privacy Challenge [88.49671206936259]
  NeurIPS 2020 Hide-and-Seek Privacy Challengeは、両方の問題を解決するための新しい2トラックの競争だ。 我々の頭から頭までのフォーマットでは、新しい高品質な集中ケア時系列データセットを用いて、合成データ生成トラック(「ヒッシャー」)と患者再識別トラック(「シーカー」)の参加者が直接対決する。
  論文  参考訳（メタデータ） (2020-07-23T15:50:59Z)

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。