論文の概要: CoSMeTIC: Zero-Knowledge Computational Sparse Merkle Trees with Inclusion-Exclusion Proofs for Clinical Research

• arxiv url: http://arxiv.org/abs/2601.12136v1
• Date: Sat, 17 Jan 2026 18:47:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.477549
• Title: CoSMeTIC: Zero-Knowledge Computational Sparse Merkle Trees with Inclusion-Exclusion Proofs for Clinical Research
• Title（参考訳）: CoSMeTIC:ゼロ知識計算型マークルツリーと包括的排他的証明を用いた臨床研究
• Authors: Mohammad Shahid, Paritosh Ramanan, Mohammad Fili, Guiping Hu, Hillel Haim,
• Abstract要約: CoSMeTICはゼロ知識計算フレームワークであり、臨床研究において個々の参加者のデータに対する検証済みの包含と排他的証明を生成する。 我々は,CoSMeTICが統計的忠実性を維持しつつ,強力なプライバシー保証を実現することを実証した。 以上の結果から,CoSMeTICは大規模臨床研究において厳格なプライバシ保護による規制コンプライアンスを実現するための,スケーラブルで実用的な代替手段である可能性が示唆された。
• 参考スコア（独自算出の注目度）: 2.0497679299764355
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Analysis of clinical data is a cornerstone of biomedical research with applications in areas such as genomic testing and response characterization of therapeutic drugs. Maintaining strict privacy controls is essential because such data typically contains personally identifiable health information of patients. At the same time, regulatory compliance often requires study managers to demonstrate the integrity and authenticity of participant data used in analyses. Balancing these competing requirements, privacy preservation and verifiable accountability, remains a critical challenge. In this paper, we present CoSMeTIC, a zero-knowledge computational framework that proposes computational Sparse Merkle Trees (SMTs) as a means to generate verifiable inclusion and exclusion proofs for individual participants' data in clinical studies. We formally analyze the zero-knowledge properties of CoSMeTIC and evaluate its computational efficiency through extensive experiments. Using the Kolmogorov-Smirnov and likelihood-ratio hypothesis tests, along with logistic-regression-based genomic analyses on real-world Huntington's disease datasets, we demonstrate that CoSMeTIC achieves strong privacy guarantees while maintaining statistical fidelity. Our results suggest that CoSMeTIC provides a scalable and practical alternative for achieving regulatory compliance with rigorous privacy protection in large-scale clinical research.
• Abstract（参考訳）: 臨床データの分析は生物医学研究の基盤であり、ゲノム検査や治療薬の応答解析などの分野で応用されている。 厳格なプライバシー管理を維持することは不可欠である。 同時に、規制の遵守は、しばしば、分析に使用される参加者データの完全性と信頼性を示すために研究管理者を必要とします。 これらの競合する要件、プライバシー保護、検証可能な説明責任のバランスをとることは、依然として重要な課題である。 本稿では,臨床研究における個々の参加者のデータに対する検証済みの包摂・排除証明を生成する手段として,SMT(Sparse Merkle Trees)を提案するゼロ知識計算フレームワークであるCoSMeTICを提案する。 本研究では,CoSMeTICのゼロ知識特性を解析し,その計算効率を評価する。 Kolmogorov-Smirnov と chance-ratio 仮説を用いて、実世界のハンティントン病データセットのロジスティック回帰に基づくゲノム解析を行い、統計的忠実性を維持しながら、CoSMeTIC が強いプライバシー保証を達成できることを実証した。 以上の結果から,CoSMeTICは大規模臨床研究において厳格なプライバシ保護による規制コンプライアンスを実現するための,スケーラブルで実用的な代替手段である可能性が示唆された。

関連論文リスト

• Improving Cardiac Risk Prediction Using Data Generation Techniques [37.94487163156369]
  本研究は,実世界の観測と整合したリアルな臨床記録の合成のためのアーキテクチャを提案する。 主な目的は、心的リスク予測モデルの性能を高めるため、利用可能なデータセットのサイズと多様性を高めることである。
  論文  参考訳（メタデータ） (2025-12-19T10:17:00Z)
• A Semantic Framework for Patient Digital Twins in Chronic Care [0.0]
  患者医療デジタルツイン(PMDT)は、生理的、精神社会的、行動的、ゲノム的な情報をコヒーレントなモデルに統合する。 PMDTはセマンティック・インターオペラビリティを確保し、自動推論をサポートし、さまざまな臨床コンテキストでの再利用を可能にする。 データ断片化とセマンティック標準化のギャップを埋めることによって、PMDTは、次世代デジタルヘルスエコシステムの検証された基盤を提供する。
  論文  参考訳（メタデータ） (2025-10-10T08:34:55Z)
• MoodAngels: A Retrieval-augmented Multi-agent Framework for Psychiatry Diagnosis [58.67342568632529]
  MoodAngelsは、気分障害の診断のための最初の特殊なマルチエージェントフレームワークである。 MoodSynは、合成精神医学の1,173件のオープンソースデータセットである。
  論文  参考訳（メタデータ） (2025-06-04T09:18:25Z)
• Adaptable Cardiovascular Disease Risk Prediction from Heterogeneous Data using Large Language Models [70.64969663547703]
  AdaCVDは、英国バイオバンクから50万人以上の参加者を対象に、大規模な言語モデルに基づいて構築された適応可能なCVDリスク予測フレームワークである。 包括的かつ可変的な患者情報を柔軟に取り込み、構造化データと非構造化テキストの両方をシームレスに統合し、最小限の追加データを使用して新規患者の集団に迅速に適応する。
  論文  参考訳（メタデータ） (2025-05-30T14:42:02Z)
• TrialMatchAI: An End-to-End AI-powered Clinical Trial Recommendation System to Streamline Patient-to-Trial Matching [0.0]
  本稿では,患者間マッチングを自動化するAIを利用したレコメンデーションシステムTrialMatchAIを提案する。 微調整されたオープンソースの大規模言語モデルに基づいて構築されたTrialMatchAIは、透明性を確保し、軽量なデプロイメントフットプリントを維持する。 現実のバリデーションでは、腫瘍学患者の92%が、少なくとも1つの関連するトライアルを、トップ20のレコメンデーションで回収した。
  論文  参考訳（メタデータ） (2025-05-13T12:39:06Z)
• Leveraging Generative AI Through Prompt Engineering and Rigorous Validation to Create Comprehensive Synthetic Datasets for AI Training in Healthcare [0.0]
  GPT-4 APIは、この制限を克服するための高品質な合成データセットを生成するために使用された。 得られたデータには、医療提供者の詳細、病院部門、病棟、ベッド割り当て、患者人口統計、緊急連絡先、バイタルサイン、免疫、アレルギー、医療履歴、アポイントメント、病院訪問、検査、診断、治療計画、医療ノート、訪問ログ、退院サマリー、レファラルが含まれていた。
  論文  参考訳（メタデータ） (2025-04-29T16:37:34Z)
• Position Paper: Building Trust in Synthetic Data for Clinical AI [0.3937354192623676]
  本稿では, 臨床応用において, 総合医療データの信頼性向上が重要であることを論じる。 我々は,脳腫瘍のセグメント化による経験的証拠を提示し,合成データの質,多様性,比率が臨床AIモデルの信頼に直接影響を与えることを示す。
  論文  参考訳（メタデータ） (2025-02-04T07:53:23Z)
• TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [54.98321887435557]
  本稿では, マルチモーダル入力特徴と臨床治験設計における8つの重要な予測課題を網羅した, 精巧にキュレートされた23個のAI対応データセットについて述べる。 データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。 このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
  論文  参考訳（メタデータ） (2024-06-30T09:13:10Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• 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。