布法罗大学的研究人员开发了一种由人工智能驱动的原型系统，该系统使用全同态加密（FHE）来处理加密的心电图（ECG）数据，从而安全地检测睡眠呼吸暂停。该研究在2024年12月于印度加尔各答举行的国际模式识别会议（ICPR）上进行了展示。
该原型系统在处理加密心电图数据时，成功率达到99.56%。研究人员计划将其商业化，并应用于其他医疗影像设备，如X光和磁共振成像（MRI）。睡眠呼吸暂停患者可能最终能够通过这项技术获得更高质量的睡眠。
研究的主要调查员Nalini Ratha博士是纽约州立大学布法罗分校计算机科学与工程系的帝国创新教授，他表示：“我的核心研究重点是如何增强隐私。医疗数据是一个经典的例子，任何隐私增强方法都会产生积极的影响。”
Ratha和他的研究团队选择了睡眠呼吸暂停作为研究对象，因为这是一种全球常见的疾病，且数据容易获取。他们已经为此研究了两年多，并开发了多个算法。先进的基于人工智能的诊断工具，如新原型，旨在安全地处理第三方云服务提供商（如Google或Amazon）上的加密医疗数据，并将加密结果发送给医生及其患者。
“我们的研究使用的是加密数据；我们没有发明新的加密方法。”Ratha告诉MD+DI，“我们添加的新颖之处在于如何处理加密数据。例如，如果你取数字三并使用现有的加密方法进行加密，它将不再看起来像三，而是基于你使用的私钥变成另一个数字。”
通过使用相同的加密算法对加密后的两个数字进行全同态加密技术处理，研究人员能够在加密状态下对这两个数字进行相加，并返回加密的结果。每个复杂的操作都必须在加密数据上执行，以便处理心电图信号。
“深度学习或机器学习算法通常用于从心电图中处理睡眠呼吸暂停信号。”Ratha说，“我们取其中一个加密信号，并使算法能够在加密信号上进行计算。这类似于信用卡号码通过互联网传输，只有接收方才能看到。”
深度学习算法可以识别心电图信号中的模式，这些模式表明睡眠期间呼吸中断或氧气水平下降。通过分析大量心电图数据，这些模型还可以学会检测医生难以识别的细微异常。
该研究的主要障碍是将机器学习，特别是深度学习算法映射到加密的心电图信号中。“深度学习算法具有卷积层、池化层、非线性层和全连接层。”Ratha说，“所有这四层都需要被转换或映射到我们的全同态加密处理中。”
研究表明，新方法在检测去识别化的ECG数据集中的睡眠呼吸暂停方面达到了99.56%的有效率，同时支持患者隐私。Ratha将高效率归因于选择了正确的近似算法。通过使用FHE进行加密，该研究在整个基于云的医疗诊断管道中实现了128位安全性，包括推理过程。
然而，处理睡眠呼吸暂停数据必须在合理的时间内完成，才能具有临床意义。该研究能够在几分钟内处理加密数据，这得益于大量的多核处理器。
“心电图信号成本效益高且方便。”Ratha说，“通过分析心电图数据中的变化和模式，高级算法可以高精度地检测出表明睡眠呼吸暂停的异常情况，有助于更有效和及时的诊断和治疗。”
研究人员计划与现有的医疗保健公司合作，在未来一年内将原型商业化。Ratha表示：“我认为我们已经完成了繁重的工作，因此医生应该很容易接受我们的技术，这种技术使得医疗数据既私密又安全且准确。我们很高兴能够解决医疗数据隐私的问题。”
该技术很可能适用于依赖信号数据的其他设备，首先是X光图像、CT扫描和MRI。Ratha的团队目前正在评估MRI和X光图像。
(全文结束)
