久久最新最好视频|精品福利视频在线|狠狠狠干在线播放|色尼玛亚洲综合网|日韩加勒比无码AV|亚洲AV人人澡人人爽人人爱|国产精品免费怡红院|婷婷一区二区XXX|日韩成人一区二区三|欧美熟妇另类AAAAAA

數(shù)據(jù)的質量、數(shù)量、獲取的正當性、使用的邊界、泄露等問題是當下全球數(shù)智化進程的重點與難點所在，特別是醫(yī)療數(shù)據(jù)的高敏感性與高隱私性使得數(shù)據(jù)的安全性備受關注。這種安全性從技術的視角來看，至少包括獲取安全、使用安全與存儲安全。

從理論上來講，應以合法合規(guī)和倫理的方式來釋放數(shù)據(jù)潛能，進而推進醫(yī)療創(chuàng)新。易言之，醫(yī)療數(shù)據(jù)應確?；颊叩闹闄嗪瓦x擇權，在數(shù)據(jù)流通的過程中應遵循公益性原則，且應確保數(shù)據(jù)的安全性和完整性。

然而，現(xiàn)實情況卻并非完全如此。如，存在不知情同意的數(shù)據(jù)獲取現(xiàn)象，存在即使患者是在知情同意的條件被獲取數(shù)據(jù)，卻也并不一定能知曉數(shù)據(jù)未來可能會被如何使用的現(xiàn)象等。

2020年6月，英國 Babylon Health 的 GP app 出現(xiàn)軟件缺陷導致患者數(shù)據(jù)泄露[1]；2024年9月，美國 AI 醫(yī)療保健公司 Confidant Health 的服務器配置錯誤，暴露了5.3 TB的敏感心理健康記錄，包括個人詳細信息、評估和醫(yī)療信息，給患者帶來了嚴重的隱私風險[2]等事件引發(fā)了患者和公眾對個人健康信息隱私和安全的深刻且合理的擔憂。 

因此，在AI醫(yī)療發(fā)展的進程中，一方面是醫(yī)療行業(yè)需要海量、多樣化的高質量數(shù)據(jù)集以構建精準且可靠的AI模型，進而有效實現(xiàn)疾病的早期篩查、診斷與個性化治療等；另一方面是患者和公眾擔心數(shù)據(jù)可能被濫用、泄露或用于商業(yè)牟利的恐懼?；诖耍霈F(xiàn)了AI醫(yī)療中的“數(shù)據(jù)-隱私”困境。

當前圍繞AI醫(yī)療發(fā)展進程中的“數(shù)據(jù)-隱私”困境有著諸多爭議，并導致了一場曠日持久的辯論。“醫(yī)院應采集多少數(shù)據(jù)”恰恰是此中的一個關鍵問題，因為該問題是出現(xiàn)“數(shù)據(jù)-隱私”困境的緣起所在。

假設你是醫(yī)生或者醫(yī)療機構，你期望采集多少數(shù)據(jù)呢？假設你是患者，你期望醫(yī)療機構應當采集你的哪些數(shù)據(jù)呢？

那么，到底該如何看到這個問題呢？

從個人信息保護的視角來看，過度數(shù)據(jù)采集顯然是既不合理更不應當。在知情同意的前提下，“按需收集、最小必要”的數(shù)據(jù)最小化原則是采集數(shù)據(jù)的有效措施，這種措施有利于降低數(shù)據(jù)泄露風險，保護患者隱私。

然而，不得不面對的情況是，若數(shù)據(jù)采集過少，雖然體現(xiàn)了采集過程中的隱私保護，但是卻會因數(shù)據(jù)不足或者代表性差而導致模型能力缺陷甚或偏見等，進而使得數(shù)據(jù)最小化原則在有些具體的技術研發(fā)與應用中，特別是某項技術本身所涉及的數(shù)據(jù)范圍尚未確定時，必將出現(xiàn)該原則落地難的現(xiàn)象。

因此，一種貌似零和博弈的僵局出現(xiàn)，而這種僵局將限制AI賦能醫(yī)療的潛力。

事實上，這種僵局的出現(xiàn)至少可以從如下兩個方面進行解釋，一是源自將數(shù)據(jù)采集的“量”視為確保AI醫(yī)療有效性的預設。迄今為止，在AI醫(yī)療領域中，關于數(shù)據(jù)采集的“量”的多少往往很難形成共識；二是源自患者對于數(shù)據(jù)的共享意愿。肖納?卡爾克曼（Shona Kalkman）等通過定性和定量的研究發(fā)現(xiàn)：信任的缺乏不利于數(shù)據(jù)共享的目標。

盡管參與者認識到數(shù)據(jù)研究的實際或潛在好處，但他們對違反保密性和可能濫用數(shù)據(jù)的情況表示擔憂，英國的 care.data 的失敗就是一個典型的警示[3]。 即，就數(shù)據(jù)共享而言，信任是患者是否愿意數(shù)據(jù)共享的關鍵所在。

因此，“AI醫(yī)療該采集多少數(shù)據(jù)是個怎樣的問題？”可被進一步轉化或者歸結為如何走出基于量的數(shù)據(jù)采集困擾，如何建立和維護信任。

長期以來，AI醫(yī)療的發(fā)展受制于高質量、大規(guī)模且合規(guī)的訓練數(shù)據(jù)。但事實上，伴隨技術的不斷發(fā)展，AI醫(yī)療的未來不應再糾纏于“采集多少數(shù)據(jù)”，真正的出路在于通過前瞻性的技術選擇與有效的AI醫(yī)療認知普及相融合，從根本上構建一個可信的AI醫(yī)療體系。

在AI賦能的當下，對AI的充分理解是有效推進技術向善、為善的必要條件。面對數(shù)據(jù)采集的困境，不妨通過AI對人類科研、認知、生活方式的范式轉移的認知，來充分釋放已有數(shù)據(jù)的潛能。

如，使用生產對抗網絡（Generative Adversarial Networks, GANs）、變分自編碼器 (Variational Autoencoders, VAEs)、 擴散模型 (Diffusion Models)等技術將已有的數(shù)據(jù)進行合成，即合成數(shù)據(jù)生成（Synthetic Data Generation，SDG）來降低采集成本，以隱私保護技術的方式減少隱私泄露的風險，克服對于罕見病或特定少數(shù)族裔群體，現(xiàn)實世界中可供研究的數(shù)據(jù)樣本極其有限的數(shù)據(jù)稀缺性問題，進而提升AI醫(yī)療模型的公平性，縮短創(chuàng)新周期。

如，NVIDIA所的MAISI的醫(yī)療影像生成基礎模型，就是在通過提供一種可靠、高效的方式來生成可用于研究、臨床應用乃至外科機器人訓練的高質量合成圖像，從而克服數(shù)據(jù)稀缺和隱私限制的挑戰(zhàn)[4]。

但需要高度警惕的是，鑒于合成數(shù)據(jù)本質上依然是來自于真實記錄，進而仍然存在被重新識別的風險。因此，合成數(shù)據(jù)不是技術的肆意泛濫，而是重在對已有數(shù)據(jù)的高效使用，整個數(shù)據(jù)流程中的倫理監(jiān)管依然不能缺席，且需要重塑數(shù)據(jù)治理框架，務必注重源頭數(shù)據(jù)的倫理審查，特別是要高度重視合成數(shù)據(jù)過程中的知情同意。

破解“數(shù)據(jù)-隱私”困境的關鍵并非僅僅在于限制數(shù)據(jù)采集的多少，因為若醫(yī)患之間的關系是不信任的，若醫(yī)療機構本身不被信任，那么，患者對數(shù)據(jù)采集本身就很擔憂。

因此，不妨將破解的困境從數(shù)據(jù)采集本身的擔憂著手，打造一個AI驅動的、以信任為基石的醫(yī)療體系，在這里，技術創(chuàng)新與個人尊嚴不再對立，而是攜手并進，共同促進人類的健康與福祉。

具體而言，從引發(fā)該問題的相關因素來看，如，從與“數(shù)據(jù)-隱私”困境相關的利益群體來看，既需要通過對AI醫(yī)療技術的普及提升相關利益群體的信任度，也需要通過全民數(shù)字素養(yǎng)的倫理啟蒙來減少與預防數(shù)據(jù)生命周期中的潛在風險。

如，除了數(shù)據(jù)采集者與使用者、相關技術研發(fā)者的倫理意識需要加強之外，患者不能將數(shù)據(jù)采集中的知情同意僅僅視為默認式的或者無關緊要的“必選項”而流于形式化的“聽之任之”。

數(shù)據(jù)被采集者關于相關程序、條例等的認真審查與質疑等恰恰是發(fā)現(xiàn)問題的高效方式；從技術研發(fā)來看，提升技術的可信度是的信任的必要條件。

如，可以通過構建一個以合成數(shù)據(jù)保障模型訓練安全、以去中心化身份(Decentralized Identity, DID)與可驗證憑證（Verifiable Credentials, VCs）來提升個人數(shù)據(jù)安全，保護個人隱私進而構筑走向信任的技術屏障，以多方協(xié)同的方式形成以患者為中心的安全數(shù)據(jù)生態(tài)，打造基于信任的AI醫(yī)療體系。