医疗保健行业的外包 AI 和深度学习 – 数据隐私是否存在风险？
Anomali 的 Jonathan Martin
作为新兴技术，人工智能 (AI) 和深度学习已被证明可以提供强大的业务洞察力。 Anomali 的 EMEA 运营总监 Jonathan Martin 说，这对于医疗保健行业来说尤其如此 ，其中免费增值 AI 和机器学习软件包如 theano、torch、cntk 和 tensorflow 可以有效预测医疗状况，如癌症、心脏病和许多其他基于图像的诊断。
因此，将人工智能和深度学习整合到医疗实践中是医疗保健行业不可避免且至关重要的下一步，尽管这样的努力并非没有挑战。
阻碍组织充分利用这些技术的最紧迫问题之一是缺乏受过技术培训的员工。有许多网络安全专业人士可能会满足对技术人才的需求，但由于网络安全行业本身的专业人才供应有限，供应不太可能很快满足需求。
使医疗保健行业的问题进一步复杂化，实施这些技术需要访问个人身份信息 (PII)，这是网络攻击中最有针对性的一些数据，因为它具有敏感性，因此利润丰厚。
国家卫生协会 (NHS) 选择与 Deepmind 合作来规避人员配备和数据隐私问题 ，一家被 Alphabet/Google 收购的公司。 这使 Deepmind 能够访问 160 万份医疗记录，其中包括血液检测、医疗诊断、历史患者记录以及更敏感的数据，例如 HIV 诊断和先前的药物使用情况。这是否是一种适当的风险一直是业内争议的根源。
正如我们从对 NHS 的 WannaCry 攻击中看到的那样，网络攻击可能对行业产生毁灭性影响。但是，这不应阻止组织共享和高级信息分析。人工智能和其他技术对于医疗保健的发展至关重要，雇佣技术人才对于以安全的方式充分利用这些人才所拥有的力量不可或缺，从而消除了外包的需要。组织还应保持最佳努力实践的一致性，以最大限度地降低组织的风险。
这些最佳实践之一包括编辑所有个人身份信息。任何组织外包数据都应改为使用假名，其中唯一标识符和 PII 仅由受信任实体持有。对机器学习模型有价值的半敏感信息也应该被删除。患者的地理位置就是一个很好的例子。
这些数据可能是疾病的有力指标，但原始数据可用于对给定患者的 PII 进行逆向工程。丢弃此类信息是增强人工智能预测能力和保护患者隐私之间的有效权衡。
这些尽力而为的策略可以帮助缓解大多数问题，但是，这并不是确保机密性的万无一失的方法。目前，无法保证 AI 无法重建您的 PII。在 CMU 的一项研究中，研究人员发现社会保障号码的可预测性出人意料，人工智能算法通常可以根据出生日期和性别等信息重建社会保障号码。
未来，组织可能会寻求更先进的技术来确保外包私有数据的工作。联邦学习的最新发展可以增加灵活性，并允许团队在本地存储数据。另一种同态加密的相关技术也在开发中。使用同态加密，无需对数据进行解密即可对加密数据进行计算，从而显着降低了安全隐患。
目前，我们距离直接解决数据隐私问题的技术还有很多年。然而，人工智能带来的好处的前景对于医疗保健行业来说已经迫不及待了。在不久的将来，各行业必须在保护公民和防止不必要的漏洞方面取得平衡。
此博客的作者是 Anomali 的 EMEA 运营总监 Jonathan Martin
物联网技术