隱私強化技術釋放智慧醫療的開發能量

台灣大學資訊工程學系主任暨國網中心副主任洪士灝。(國網中心)
台灣的健保資料庫擁有傲視全球的個人健康數據資料,這個大數據對於訓練精準醫療所需要的人工智慧(AI)技術,具有關鍵地位,但受到個資與隱私保護規範,醫療院所無法對外分享資料,對於以AI技術為基礎的智慧醫療發展變得困難。基於尊重隱私與長遠的個資保密要求下,國研院國網中心介紹隱私強化技術(Privacy Enhancing Technologies,簡稱PETs) 的重要發展,用技術解決個資與隱私的保護。
台灣大學資訊工程學系主任暨國網中心副主任洪士灝表示,Privacy Enhancing Technologies(PETs)技術有多面向的發展,除了具備抵抗量子運算能力的同態加密(HE)技術之外,還有多種打造不同使用情境的新興技術,以聯邦式學習(Federated Learning,縮寫FL) 為例,其聚焦於FL的三個構面,包括基礎研究、FL框架探討、國際案例分享與FL框架的整合與加值。
FL技術原本由Google做為優化Android虛擬鍵盤Gboard的輸入功能之技術,透過讓使用者在自己的手機上用自己的資料來完成AI訓練,再由Google彙整大量由個別使用者訓練的AI模型後,基於使用者的輸入數據不外洩的前提,讓所有Android使用者皆共享成果,對隱私保護上具有重要的啟示。
隨著FL持續探詢不同領域中的發展潛能時,另一個安全多方計算(Secure Multi-Party Computation,簡稱SMPC)技術,其利用分拆資料而讓參與的多方人馬不知道全部資料內容,拆分的愈多愈安全,但是通訊傳輸量愈是驚人,需要兼具高速網路與高效能運算服務做後盾,而國網中心兩者兼具,加上具有在地化與官方組織的優點,成為高敏感性資料處理的最佳合作夥伴。

資料不出醫院,只輸出AI模型進行協同合作

國內醫院礙於個資法的保護,病例與個人資料不能流出醫院,所以目前僅能在醫院內部使用,整體的跨院或甚至跨國的AI協同作業因此受限。洪士灝指出FL提供一個解方,無需帶出病人個資,且資料可保留在原醫療院所單位,只需共享AI模型即可,同時還能兼顧病患隱私問題。
FL採取只分享AI模型而不透露各別病例或隱私資料的策略,能夠避免用AI模型回推而取得病人的隱私資料,洪士灝再提出另一個強化保護AI模型的策略,也就是採用諸如同態加密(HE)技術加密,或是使用安全多方計算技術將資料分散與拆分,以防止逆向工程手法來挖出原始的病歷資料的機制,雙管齊下的對策用以確保護醫院的醫療個資。
PETs科技的進展以最新世代的個資隱私保護技術,可以一舉促成國內跨醫療單位的相互合作,未來甚至可以與美國、歐盟等國家做跨國的合作專案,讓台灣在國際醫療領域上可以對全人類做出貢獻,也一舉讓台灣在醫療科技領域地位獲得提升,未來將有無限商機。洪士灝表示接下來三、五年PETs技術將有爆發式成長,尤其隱私保護與疫調的強大需求的驅動下,將快速促成技術的破壞式創新,同態加密需要高階運算,晶片商品化潛能高,尤其加上產業標準一旦成形,將有爆炸性的成長。
從醫療隱私資料與AI模型的雙重保護之PETs技術,國網中心扮演著啟動者(Enabler)的角色,讓科學研究與產業發展都有揮灑的舞台,透過合理的服務成本,無可取代的信賴感,洪士灝把國網中心比喻為功能卓著的球場,讓醫師、資料分析師、AI架構專家、解決方案商都能一起組隊下場競技,透過合作一起攜手打破目前的瓶頸與門檻,充分發揮國網中心的重要功能,並對全民的福祉做出貢獻。
文章來源:本文擷取自DIGITIMES。