TSCGS 313007-2024 隐私增强的医学影像联合建模规范.docxVIP

..ICS0110001CCSJ04

..

团 体 标 准

T/SCGS313007—2024

隐私增强的医学影像联合建模规范

Privacy-enhancedjointmodelingspecificationsformedicalimaging

2024-04-16发布 2024-04-17实施

中国图学学会 发布

中国标准出版社 出版

T

T/SCGS313007—2024

T

T/SCGS313007—2024

Ⅰ

Ⅰ

Ⅲ

Ⅲ

目 次

前言 Ⅲ

范围 1

规范性引用文件 1

术语和定义 1

缩略语 3

医学影像数据联合建模流程与隐私增强 3

附录A(规范性)联合建模的性能指标 10

参考文献 12

前 言

本文件按照GB/T1.1—2020《标准化工作导则 第1部分:标准化文件的结构和起草规则》的规定起草。

请注意本文件的某些内容可能涉及专利。本文件的发布机构不承担识别专利的责任。本文件由中国图学学会提出并归口。

本文件起草单位:中国科学院自动化研究所、澳门城市大学、北京航空航天大学、广东省人民医院、珠海市人民医院、河南省人民医院、北京大学人民医院、北京大学第三医院。

本文件主要起草人:刘西蒙、刘振宇、应作斌、刘建刚、刘再毅、陆骊工、王梅云、王姝、卢剑、蔡剑平、刘明昊、方一晨、张国扬。

T

T/SCGS313007—2024

T

T/SCGS313007—2024

PAGE

PAGE1

2

2

隐私增强的医学影像联合建模规范

范围

本文件规定了医学影像数据联合建模的流程与规范。

本文件适用于医学影像数据联合建模的各种流程,包括建模、评价、部署等范围。

规范性引用文件

本文件没有规范性引用文件。

术语和定义

下列术语和定义适用于本文件。

医学影像 medicalimageing

利用医学成像设备及技术所得到的图像。

数据隐私dataprivacy

一个数据保护领域,涉及正确处理敏感数据,尤其是个人数据以及其他机密数据。

注:包括某些财务数据和知识产权数据,以满足监管要求以及保护数据的机密性和不变性。

[T/CESA1049—2018,定义3.3,有修改]

隐私增强privacy-enhanced

保护敏感信息隐私或机密性的技术方法。

注:隐私增强包括在隐私信息采集、存储,以及在执行搜索或分析过程中对于保护和增强隐私安全性的数据安全技术,旨在遵守隐私和数据保护原则,同时保持从用户提供的数据中提取价值的能力。

[ISO/IEC20889:2018,定义3.3,有修改]

联邦学习federatedlearning

一种多个参与方在保证各自原始数据不出数据方定义的可信域前提下,以保护隐私数据的方式交

互中间数据,从而协作完成某项人工智能和机器学习任务的模式。

多方安全计算securemulti-partycomputation

基于多方数据协同完成计算目标的密码技术,获得除计算结果及其可推导出的信息之外,不会泄漏各方隐私数据。

注:多方安全计算常采用的技术有混淆电路、不经意传输、秘密分享、同态加密等。

差分隐私differentialprivacy

一种数据共享手段,实现仅分享可以描述数据库的一些统计特征,而不公开具体个人信息的。

注:差分隐私背后的直观想法,是如果随机修改数据库中的一个记录造成的影响足够小,获得的统计特征就不能被用来反推出单一记录的内容。

本地差分隐私localdifferentialprivacy

在不可信第三方的前提下,将数据隐私化的工作转移到每个用户,用户自己运用差分隐私算法保护

个人数据的过程。

混淆电路garbledcircuit

双方进行安全计算的布尔电路。混淆电路将计算电路中的每个门都加密并打乱,确保加密计算的过程中不会对外泄露计算的原始数据和中间数据。双方根据各自的输入依次进行计算,解密方可得到最终的正确结果,但无法得到除了结果以外的其他信息,从而实现双方的安全计算。

同态加密homomorphicencryption

一种对称或非对称加密,它允许第三方(既不是加密方也不是解密方)以加密的形式对数据执行计算,同时实现保留明文数据的机密性。

群同态grouphomomorphism

群论中两个群之间保持群乘法结构的一种映射。

联邦学习算法federatedlearningalgorithm

联邦学习参与方使用的机器学习算法,一般由非联邦的机器学习算法演化而来。

注:主要包括传统机器学习、分布式机器学习、加密算法、安全多方计算、硬件加密技术、差分隐私等。

对称加密算法symmetric-keyencryption

密码学中的一类加密算法,这类算法在加