Onderzoekers aan de Universiteit van Kopenhagen hebben innovatieve software ontwikkeld die het uitdaging van het beschermen van gevoelige gegevens die worden gebruikt in machine learning toepassingen in de gezondheidszorg aanpakt. Deze methode waarborgt privacy terwijl er nog steeds toegang is tot datasets voor de ontwikkeling van verbeterde behandelingen.
Het verzamelen en analyseren van gegevens van een grote groep patiënten is essentieel in de moderne gezondheidszorg om patronen te identificeren en de effectiviteit en mogelijke bijwerkingen van behandelingen te bepalen. Het is echter noodzakelijk om deze gegevens te beschermen om de privacy van individuen te waarborgen en het vertrouwen van het publiek te behouden. Helaas hebben eerdere pogingen om gegevens anoniem te maken en openbaar te maken geleid tot inbreuken, waarbij onderzoekers in staat waren deelnemers te heridentificeren met behulp van verschillende publiekelijk beschikbare informatiebronnen.
Om dit probleem aan te pakken, hebben de onderzoekers van de afdeling Computerwetenschappen aan de Universiteit van Kopenhagen een praktische en kosteneffectieve oplossing bedacht. Promovendus Joel Daniel Andersson legt uit: “We hebben een praktische en economische manier ontwikkeld om datasets te beschermen bij het trainen van machine learning modellen.” Het belang van hun werk blijkt uit de uitnodiging van Joel om een Google Tech Talk te geven over het onderwerp en zijn recente presentatie op de NeurIPS conferentie over machine learning.
Het sleutelconcept achter hun aanpak is het opzettelijk introduceren van “ruis” in elke output die is afgeleid van de dataset. In tegenstelling tot traditionele versleutelingsmethoden, waar ruis wordt toegevoegd en later verwijderd, blijft de ruis in dit geval aanwezig. Zodra de ruis is geïncorporeerd, is deze niet meer te onderscheiden van de originele output.
Natuurlijk kunnen dataseteigenaren bezorgd zijn over het verstoren van de uitvoer die is afgeleid van hun gegevens. Deze nieuwe aanpak zorgt er echter voor dat zelfs met toegang tot de verstoorde uitvoer, het onmogelijk is om de onderliggende gevoelige informatie te identificeren.
Door deze aanpak te hanteren, hebben de onderzoekers van de Universiteit van Kopenhagen nieuwe mogelijkheden geopend om gevoelige gezondheidsgegevens beschikbaar te maken voor onderzoek en analyse, terwijl de privacy van individuen effectief wordt beschermd. Naarmate de ontwikkelingen in machine learning de gezondheidszorg blijven revolutioneren, zullen privacybewuste oplossingen zoals deze een cruciale rol spelen bij de ontwikkeling van betere behandelingen zonder het vertrouwelijkheid van patiënten in gevaar te brengen.
The source of the article is from the blog tvbzorg.com