Οι επιστήμονες δημιούργησαν μια «ψηφιακή μάσκα» που θα επιτρέπει την αποθήκευση εικόνων προσώπου σε ιατρικά αρχεία, αποτρέποντας ταυτόχρονα την εξαγωγή και την κοινή χρήση δυνητικά ευαίσθητων προσωπικών βιομετρικών πληροφοριών. Σε έρευνα που δημοσιεύτηκε σήμερα στο Nature Medicine, μια ομάδα με επικεφαλής τους επιστήμονες από το Πανεπιστήμιο του Κέμπριτζ και το Πανεπιστήμιο Sun Yat-sen στο Guangzhou της Κίνας, χρησιμοποίησε τρισδιάστατους (3D) αλγόριθμους αναδόμησης και βαθιάς μάθησης για να διαγράψει αναγνωρίσιμα χαρακτηριστικά από τις εικόνες του προσώπου ενώ διατήρησε χαρακτηριστικά που σχετίζονται με τη νόσο που απαιτούνται για τη διάγνωση.
Οι εικόνες προσώπου μπορεί να είναι χρήσιμες για τον εντοπισμό σημείων ασθένειας. Για παράδειγμα, χαρακτηριστικά όπως οι βαθιές ρυτίδες του μετώπου και οι ρυτίδες γύρω από τα μάτια σχετίζονται σημαντικά με τη στεφανιαία νόσο, ενώ οι μη φυσιολογικές αλλαγές στην κίνηση των ματιών μπορεί να υποδηλώνουν κακή οπτική λειτουργία και οπτικά γνωστικά αναπτυξιακά προβλήματα. Ωστόσο, οι εικόνες προσώπου καταγράφουν αναπόφευκτα και άλλες βιομετρικές πληροφορίες για τον ασθενή, συμπεριλαμβανομένης της φυλής, του φύλου, της ηλικίας και της διάθεσής του.
Με την αυξανόμενη ψηφιοποίηση των ιατρικών αρχείων υπάρχει ο κίνδυνος παραβίασης δεδομένων. Ενώ τα περισσότερα δεδομένα ασθενών μπορούν να ανωνυμοποιηθούν, τα δεδομένα προσώπου είναι πιο δύσκολο να ανωνυμοποιηθούν, ενώ διατηρούνται βασικές πληροφορίες. Οι κοινές μέθοδοι, συμπεριλαμβανομένης της θόλωσης και της περικοπής αναγνωρίσιμων περιοχών, μπορεί να χάσουν σημαντικές πληροφορίες σχετικά με την ασθένεια, αλλά ακόμη και έτσι δεν μπορούν να αποφύγουν πλήρως τα συστήματα αναγνώρισης προσώπου. Λόγω ανησυχιών για το απόρρητο, οι άνθρωποι συχνά διστάζουν να μοιραστούν τα ιατρικά τους δεδομένα για δημόσια ιατρική έρευνα ή ηλεκτρονικά αρχεία υγείας, εμποδίζοντας την ανάπτυξη της ψηφιακής ιατρικής περίθαλψης.
Ο καθηγητής Haotian Lin από το Πανεπιστήμιο Sun Yat-sen είπε: “Κατά τη διάρκεια της πανδημίας COVID-19, έπρεπε να στραφούμε σε διαβουλεύσεις μέσω τηλεφώνου ή μέσω σύνδεσης βίντεο και όχι αυτοπροσώπως. Η απομακρυσμένη υγειονομική περίθαλψη για τις οφθαλμικές παθήσεις απαιτεί από τους ασθενείς να μοιράζονται μεγάλο αριθμό ψηφιακές πληροφορίες προσώπου. Οι ασθενείς θέλουν να γνωρίζουν ότι οι δυνητικά ευαίσθητες πληροφορίες τους είναι ασφαλείς και ότι προστατεύεται το απόρρητό τους.” Ο καθηγητής Lin και οι συνεργάτες του ανέπτυξαν μια «ψηφιακή μάσκα», η οποία εισάγει ένα πρωτότυπο βίντεο με το πρόσωπο ενός ασθενούς και εξάγει ένα βίντεο.
Το έκαναν με βάση τη χρήση αλγορίθμου βαθιάς μάθησης και 3D ανακατασκευής, ενώ απορρίπτει όσο το δυνατόν περισσότερες προσωπικές βιομετρικές πληροφορίες του ασθενούς— και από την οποία δεν κατέστη δυνατή η ταυτοποίηση του ατόμου. Το Deep Learning εξάγει χαρακτηριστικά από διαφορετικά μέρη του προσώπου, ενώ η 3D ανακατασκευή ψηφιοποιεί αυτόματα τα σχήματα και τις κινήσεις των 3D προσώπων, βλεφάρων και βολβών με βάση τα εξαγόμενα χαρακτηριστικά του προσώπου. Η μετατροπή των βίντεο ψηφιακής μάσκας πίσω στα αρχικά βίντεο είναι εξαιρετικά δύσκολη επειδή οι περισσότερες από τις απαραίτητες πληροφορίες δεν διατηρούνται πλέον στη μάσκα.
Στη συνέχεια, οι ερευνητές εξέτασαν πόσο χρήσιμες ήταν οι μάσκες στην κλινική πράξη και διαπίστωσαν ότι η διάγνωση χρησιμοποιώντας τις ψηφιακές μάσκες ήταν συνεπής με αυτή που πραγματοποιήθηκε με τη χρήση των αρχικών βίντεο. Αυτό υποδηλώνει ότι η ανακατασκευή ήταν αρκετά ακριβής για χρήση στην κλινική πράξη. Σε σύγκριση με την παραδοσιακή μέθοδο που χρησιμοποιείται για την «απο-αναγνώριση» των ασθενών – περικοπή της εικόνας – ο κίνδυνος ταυτοποίησης ήταν σημαντικά χαμηλότερος στους ασθενείς με ψηφιακή μάσκα.
Οι ερευνητές το δοκίμασαν αυτό δείχνοντας σε 12 οφθαλμιάτρους ψηφιακά καλυμμένες ή περικομμένες εικόνες και ζητώντας τους να αναγνωρίσουν το πρωτότυπο από πέντε άλλες εικόνες. Αναγνώρισαν σωστά το πρωτότυπο από την ψηφιακά καλυμμένη εικόνα σε λίγο περισσότερο από το ένα τέταρτο (27%) των περιπτώσεων. Για το περικομμένο ποσοστό, μπόρεσαν να το κάνουν στη συντριπτική πλειονότητα των περιπτώσεων (91%). Αυτό είναι πιθανό να είναι μια υπερεκτίμηση, ωστόσο: σε πραγματικές καταστάσεις, θα πρέπει πιθανότατα να αναγνωρίσει την αρχική εικόνα από ένα πολύ μεγαλύτερο σύνολο. Η ομάδα εξέτασε τυχαία επιλεγμένους ασθενείς που παρακολουθούσαν κλινικές για να δοκιμάσει τη στάση τους απέναντι στις ψηφιακές μάσκες.
Πάνω από το 80% των ασθενών πίστευαν ότι η ψηφιακή μάσκα θα αμβλύνει τις ανησυχίες τους για το απόρρητο και εξέφρασαν αυξημένη προθυμία να μοιραστούν τις προσωπικές τους πληροφορίες εάν εφαρμοστεί ένα τέτοιο μέτρο. Τέλος, η ομάδα επιβεβαίωσε ότι οι ψηφιακές μάσκες μπορούν επίσης να αποφύγουν τους αλγόριθμους αναγνώρισης προσώπου που τροφοδοτούνται από τεχνητή νοημοσύνη.
