摘要

本文《Privacy-Preserving and Trustworthy Deep Learning for Medical Imaging》由Kiarash Sedghighadikolaei和Attila A Yavuz合著，探讨了在医疗影像分析中应用深度学习（DL）时如何确保数据隐私和可信度。文章指出，传统的医疗数据处理方法存在效率低下和隐私泄露的风险，而深度学习技术在提高分析准确性和效率的同时，也带来了隐私保护的挑战。论文提出了一种结合隐私增强技术（PETs）的深度放射学（Deep Radiomics）框架，旨在从数据生成到模型训练和推理的整个过程中保护医疗影像数据的隐私。文章还详细介绍了多种PETs的分类、实际应用中的混合构造以及它们在深度放射学流程中的集成策略，并提出了未来研究的方向，以增强深度放射学中PETs的实用性。

原理

论文的核心在于提出一种结合隐私增强技术（PETs）的深度放射学框架，确保在医疗影像分析的各个阶段保护数据隐私。PETs包括加密计算、多方计算（MPC）、零知识证明（ZKP）、同态加密（HE）等技术，这些技术通过不同的机制在数据加密状态下进行搜索、计算和验证，从而在不暴露原始数据的情况下完成深度学习模型的训练和推理。例如，同态加密允许在加密数据上进行计算，而多方计算则允许多个不信任的参与方共同计算一个函数，且每个参与方只能获得计算结果而无法得知其他方的输入数据。

流程

论文详细描述了PETs在深度放射学流程中的应用步骤。首先，在数据存储和检索阶段，使用可搜索加密（SE）和私有信息检索（PIR）技术确保数据在云端存储时的隐私安全。接着，在模型训练阶段，采用多方计算（MPC）和同态加密（HE）技术在加密数据上进行模型训练。最后，在模型推理阶段，利用零知识证明（ZKP）和可信执行环境（TEE）技术验证模型输出的正确性，同时保护数据隐私。整个流程通过混合使用多种PETs技术，确保了从数据输入到模型输出的每一个环节都符合隐私保护的要求。

应用

论文提出的隐私保护深度放射学框架具有广泛的应用前景。在医疗领域，该框架可以用于保护患者隐私的同时，进行高效的医疗影像分析，如肿瘤检测和疾病诊断。此外，该技术还可扩展到其他需要高度隐私保护的数据分析场景，如金融欺诈检测、个人信用评估等。随着隐私保护法规的日益严格和公众对数据隐私关注的增加，这种结合隐私增强技术的深度学习框架将越来越受到重视和应用。