تغییر دهنده رمزنگاری بازی برای تحقیقات پزشکی

11 اکتبر 2021، توسط Ecole Polytechnique Federale de Lausanne، اعتبار DOI: 10.1038/s41467-021-25972-y

شکل 1: مدل سیستم و گردش کار FAMHE. همه موجودیت‌ها به هم متصل هستند (خطوط تیره) و پیوندهای ارتباطی در هر مرحله با فلش‌های ضخیم نشان داده می‌شوند. همه نهادها -ارائه دهندگان داده (DP) و پرس و جو- صادق هستند اما کنجکاو هستند و به یکدیگر اعتماد ندارند. در 1. پرس و جو (به صورت واضح) برای همه DPها ارسال می‌کند که (2. داده‌های متن خود را بطور محلی محاسبه کرده و نتایج آن‌ها را با کلید عمومی جمعی رمزگذاری می‌کنند. در 3. نتایج محلی رمزگذاری شده DPs جمع شده است. برای کارهای تکراری، این روند تکرار می‌شود. در 4. نتیجه نهایی به طور جمعی توسط DPها از کلید عمومی جمعی به کلید عمومی پرس و جو تبدیل می‌شود. در 5. پرس و جو نتیجه نهایی را رمزگشایی می‌کند.

داروهای پیش بینی کننده، پیشگیرانه، شخصی و مشارکتی که به P4 معروف است، مراقبت‌های بهداشتی آینده است. برای تسریع در پذیرش و افزایش حداکثر توان خود، داده‌های بالینی در مورد تعداد زیادی از افراد باید به طور موثر بین همه ذی‌نفعان به اشتراک گذاشته شود. با این حال، جمع آوری داده‌ها دشوار است. این امر در بیمارستان‌های خصوصی، روش‌های پزشکی و کلینیک‌های سراسر جهان مورد بررسی قرار گرفته است. خطرات حفظ حریم خصوصی ناشی از افشای داده‌های پزشکی نیز یک نگرانی جدی است و بدون فن آوری‌های موثر حفظ حریم خصوصی، مانعی برای پیشرفت داروهای P4 شده است.

رویکردهای موجود یا تنها با محافظت از حریم خصوصی بیماران، موسسات را ملزم به اشتراک گذاشتن نتایج میانی، که به نوبه خود می‌تواند اطلاعات حساس در سطح بیمار را افشا کند، محافظت می‌کند.

در حال حاضر، محققان آزمایشگاه امنیت داده EPFL، با همکاران خود در بیمارستان دانشگاه لوزان (CHUV)، MIT CSAIL و موسسه Broad of MIT و هاروارد، «FAMHE» را توسعه داده‌اند. این سیستم تجزیه و تحلیل جامع، ارائه دهندگان خدمات مختلف بهداشتی را قادر می‌سازد تا تجزیه و تحلیل آماری را به صورت مشترک انجام دهند و مدل‌های یادگیری ماشینی را توسعه دهند، همه بدون مبادله مجموعه داده‌های اساسی. FAHME نقطه حفاظتی بین حفاظت از داده‌ها، دقت نتایج تحقیق و زمان محاسبه عملی دارد – سه بعد مهم در زمینه تحقیقات زیست پزشکی.

در دو برنامه اجرایی نمونه اولیه، FAMHE دو مطالعه چندمرکز منتشر شده را که بر تمرکز داده‌ها و قراردادهای قانونی سفارشی برای مطالعات متمرکز انتقال داده‌ها تکیه داشتند، دقیق و کارآمد بازسازی کرد-از جمله تجزیه و تحلیل بقاء کاپلان مایر در سرطان شناسی و مطالعات مرتبط با ژنوم در ژنتیک پزشکی. به عبارت دیگر، آن‌ها نشان داده‌اند که حتی اگر مجموعه داده‌ها منتقل و متمرکز نشوند، می‌توان به همان نتایج علمی دست یافت.

آن ها خاطر نشان کردند: «تا کنون، هیچ کس نتوانسته است مطالعاتی را که نشان می‌دهد تجزیه و تحلیل این تجمیع در مقیاس بزرگ کار می‌کند، بازتولید کند. نتایج ما دقیق است و با زمان محاسبه معقول به دست آمده است. FAMHE از رمزگذاری چند قسمتی همومورفیک، که توانایی محاسبه بر روی داده‌ها است، استفاده می‌کند. پروفسور EPFL، ژان پیر هوبوکس، نویسنده ارشد این مطالعه، می‌گوید: «به شکل رمزگذاری شده در منابع مختلف بدون متمرکز کردن داده‌ها و بدون مشاهده اطلاعات طرف‌های دیگر توسط هیچ کس.»

دکتر خوان ترونکوسو-پاستوریزا، محقق ارشد EPFL می‌افزاید: «این فناوری نه تنها تحولی در تحقیقات تحقیقاتی بالینی چند سایت ایجاد خواهد کرد، بلکه همکاری در زمینه داده‌های حساس در زمینه‌های مختلف مانند بیمه، خدمات مالی و دفاع سایبری را نیز ممکن می‌سازد.»

حریم خصوصی داده‌های بیمار یکی از دغدغه‌های اصلی بیمارستان دانشگاه لوزان است. پروفسور ژاک فلی از واحد پزشکی دقیق CHUV. می‌گوید: «اکثر بیماران مشتاق هستند که داده‌های سلامتی خود را برای پیشرفت علم و پزشکی به اشتراک بگذارند، اما اطمینان از محرمانه بودن چنین اطلاعات حساسی ضروری است. FAMHE این امکان را فراهم می‌کند که تحقیقات مشارکتی امن در مورد داده‌های بیماران در مقیاس بی‌سابقه‌ای انجام شود.»

وی گفت: «این یک تغییر بازی در جهت پزشکی شخصی است، زیرا تا زمانی که این نوع راه حل وجود نداشته باشد، جایگزین ایجاد توافق نامه‌های انتقال داده و استفاده از آن‌ها است، اما این‌ها موقت هستند و برای انجام آن‌ها ماه‌ها بحث و بررسی لازم است.»

پروفسور بونی برگر از MIT ،CSAIL می‌گوید: «این کار اساسی را ارائه می‌دهد که بر مبنای آن می‌توان الگوریتم‌های یادگیری یکپارچه برای طیف وسیعی از مطالعات زیست پزشکی را به صورت مقیاس پذیر ایجاد کرد.»

https://techxplore.com