图像类医疗大数据隐私加密技术方案及政策立法的协同策略研究

doi:10.12114/j.issn.1007-9572.2023.0897

中国全科医学 ›› 2025, Vol. 28 ›› Issue (19): 2338-2344.DOI: 10.12114/j.issn.1007-9572.2023.0897

• 热点研究 • 上一篇

图像类医疗大数据隐私加密技术方案及政策立法的协同策略研究

陈开元¹^,², 陈龙³, 张怡¹^,², 柴润祺³, 王娜², 曾华堂¹^,²^,⁴, 柴森春³^,^*(), 梁万年¹^,²^,^*()

1．100084　北京市，清华大学万科公共卫生与健康学院
2．100084　北京市，清华大学健康中国研究院
3．100081　北京市，北京理工大学自动化学院
4．518028　广东省，深圳市卫生健康发展研究和数据管理中心

收稿日期:2024-11-08 修回日期:2025-01-04 出版日期:2025-07-05 发布日期:2025-05-28
通讯作者: 柴森春, 梁万年
陈开元与陈龙为共同第一作者

作者贡献：
陈开元负责研究选题与设计，论文撰写；陈龙负责算法设计、数据处理、计算机代码实现；张怡、柴润祺负责论文修订；王娜、曾华堂负责提供研究数据，参与理论研究；柴森春、梁万年负责选题指导、审阅与修订论文，对文章整体负责。
基金资助:
科技创新2030—"新一代人工智能"重大项目(2021ZD0114100); 深圳市"医疗卫生三名工程"项目(SZSM202111001)

Research on the Privacy-preserving Technical Scheme and the Coordinative Policies Strategies for Big Data in Medical Imaging

CHEN Kaiyuan¹^,², CHEN Long³, ZHANG Yi¹^,², CHAI Runqi³, WANG Na², ZENG Huatang¹^,²^,⁴, CHAI Senchun³^,^*(), LIANG Wannian¹^,²^,^*()

1. Vanke School of Public Health, Tsinghua University, Beijing 100084, China
2. Healthy China Research Institute, Tsinghua University, Beijing 100084, China
3. School of Automation, Beijing Institute of Technology, Beijing 100081, China
4. Shenzhen Health Development Research and Data Management Center, Shenzhen 518028, China

Received:2024-11-08 Revised:2025-01-04 Published:2025-07-05 Online:2025-05-28
Contact: CHAI Senchun, LIANG Wannian
About author:
CHEN Kaiyuan and CHEN Long are co-first authors

分享到

摘要/Abstract

摘要： 背景针对图像类医疗大数据隐私加密需求，构建一种创新的、基于编码的隐私保护分割技术框架，并从技术与政策立法协同的角度探索促进该技术落地应用的实施路径具有重要意义。目的构建适用于图像类医疗大数据的隐私保护技术框架，提出促进技术应用的政策立法协同策略，以期通过技术创新与政策支持共同推动健康信息化服务体系的完善。方法通过文献综述、理论分析、技术框架构建、实验验证、政策分析等方法构建创新型图像类医疗大数据隐私保护分割技术框架，提出政策立法协同策略。结果成功构建创新型图像类医疗大数据隐私保护分割技术框架并通过有效性验证；针对现行法律法规在云数据处理、责任归属、技术标准及特殊数据保护等方面的不足提出了政策立法建议。结论基于编码的创新型图像类医疗大数据隐私保护分割技术框架能够在保障患者隐私的前提下实现图像类医疗数据的有效共享与利用，提高数据安全性和隐私保护水平；相应政策立法协同策略的提出为图像类医疗大数据的安全治理提供了新思路和新方法。

关键词: 医疗成像, 大数据, 数据管理, 健康信息互操作性, 隐私权, 数据加密, 政策制订

Abstract:

Background

Responding to the increasing demand for privacy encryption in image-based medical big data, it is of great importance of proposing an innovative framework of coded-based privacy-preserving segmentation technology, and exploring the implementation pathways to facilitate the practical application of this technology from a collaborative perspective of technology and policy legislation.

Objective

To develop a privacy protection technology framework tailored for image-based medical big data, and propose policy and legislative coordination strategies to advance the technology's adoption, in order to enhance the healthcare informatization service system by combining technological innovation with policy support.

Methods

Construct the innovative framework for privacy preserving segmentation technology in medical image big data by literature review, theoretical analysis, technology framework development, experimental validation, and policy analysis, and then propose the policy and legislative coordination strategies.

Results

We successfully construct the innovative framework for privacy preserving segmentation technology in medical image big data and though the effectiveness verification, and propose specific policy and legislative recommendations addressing the inadequacies of existing laws and regulations in areas such as cloud data processing, liability attribution, technical standards, and special data protection.

Conclusion

Coded-based innovative framework for privacy preserving segmentation technology in medical image big data can enable effective sharing and utilization of image-based medical data by safeguarding patient's privacy, significantly enhance the data security and privacy protection level, and the proposing of corresponding policy and legislative coordination strategies offers novel insights and approaches to secure governance in this domain.

Key words: Medical imaging, Big data, Data management, Health information interoperability, Privacy, Data encryption, Policy making

中图分类号:

R 446.9　R 197.3

陈开元,陈龙,张怡,等. 图像类医疗大数据隐私加密技术方案及政策立法的协同策略研究[J]. 中国全科医学, 2025, 28(19): 2338-2344. DOI: 10.12114/j.issn.1007-9572.2023.0897.
CHEN Kaiyuan,CHEN Long,ZHANG Yi, et al. Research on the Privacy-preserving Technical Scheme and the Coordinative Policies Strategies for Big Data in Medical Imaging[J]. Chinese General Practice, 2025, 28(19): 2338-2344. DOI: 10.12114/j.issn.1007-9572.2023.0897.

图/表 5

参考文献 24

[1]	李蕾. 协同推进科技创新和制度创新[EB/OL]. (2023-12-15)[2024-01-22].
[2]	新华社. 中共中央办公厅　国务院办公厅印发《关于进一步完善医疗卫生服务体系的意见》[EB/OL].(2023-03-23)[2023-11-13].
[3]	LI W Q, MILLETARÌ F, XU D G, et al. Privacy-preserving federated brain tumour segmentation[M]//Machine Learning in Medical Imaging. Cham：Springer International Publishing，2019：133-141. DOI：10.1007/978-3-030-32692-0_16.
[4]	LI X X, GU Y F, DVORNEK N, et al. Multi-site fMRI analysis using privacy-preserving federated learning and domain adaptation：ABIDE results[J]. Med Image Anal，2020，65：101765.
[5]	WICAKSANA J, YAN Z Q, ZHANG D, et al. FedMix：mixed supervised federated learning for medical image segmentation[J]. IEEE Trans Med Imaging，2023，42(7)：1955-1968.
[6]	LI M, LAI L Z, SUDA N, et al. PrivyNet：a flexible framework for privacy-preserving deep neural network training[EB/OL]. (2017-09-18)[2023-11-13].
[7]	ALI OSIA S, TAHERI A, SHAMSABADI A S, et al. Deep private-feature extraction[J]. IEEE Trans Knowl Data Eng，2020，32(1)：54-66. DOI：10.1109/TKDE.2018.2878698.
[8]	DING X F, FANG H B, ZHANG Z L, et al. Privacy-preserving feature extraction via adversarial training[J]. IEEE Trans Knowl Data Eng，2022，34(4)：1967-1979.
[9]	DOWLIN N, GILAD-BACHRACH R, LAINE K, et al. Cryptonets：applying neural networks to encrypted data with high throughput and accuracy[C]. Proceedings of the 33rd International Conference on Machine Learning，New York，USA，2016.
[10]	HESAMIFARD E, TAKABI H, GHASEMI M. CryptoDL：deep neural networks over encrypted data[EB/OL]. (2017-11-15)[2023-11-13].
[11]	TANAKA M. Learnable image encryption[C]// 2018 IEEE International Conference on Consumer Electronics-Taiwan（ICCE-TW）. May 19-21，2018，Taichung，Taiwan，China. IEEE，2018：1-2. DOI：10.1109/ICCE-China.2018.8448772.
[12]	SIRICHOTEDUMRONG W, KINOSHITA Y, KIYA H. Pixel-based image encryption without key management for privacy-preserving deep neural networks[J]. IEEE Access，2019，7：177844-177855.
[13]	HUANG Q X, YAP W L, CHIU M Y, et al. Privacy-preserving deep learning with learnable image encryption on medical images[J]. IEEE Access，2022，10：66345-66355.
[14]	CHANG Q, QU H, ZHANG Y K, et al. Synthetic learning：learn from distributed asynchronized discriminator GAN without sharing medical image data[C]//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition（CVPR）. June 13-19，2020. Seattle，WA，USA. IEEE，2020：13853-13863.
[15]	KIM B N, DOLZ J, JODOIN P M, et al. Privacy-net：an adversarial approach for identity-obfuscated segmentation of medical images[J]. IEEE Trans Med Imag，2021，40(7)：1737-1749. DOI：10.1109/TMI.2021.3065727.
[16]	吕欣，韩晓露. 健全大数据安全保障体系研究[J]. 信息安全研究，2015，1(3)：211-216.
[17]	闫倩，马海群. 我国开放数据政策与数据安全政策的协同探究[J]. 图书馆理论与实践，2018(5)：1-6.
[18]	刘军平，黄泽雨. 医疗数据安全之困境及其破解路径[J]. 医学与法学，2023，15(5)：14-19.
[19]	叶竹盛，刘婉君. 医疗科研中的生物医疗数据"匿名化"问题研究[J]. 医学与法学，2023，15(4)：44-53.
[20]	RONNEBERGER O, FISCHER P, BROX T. U-Net：convolutional networks for biomedical image segmentation[M]//Medical Image Computing and Computer-Assisted Intervention - MICCAI 2015. Cham：Springer International Publishing，2015：234-241.
[21]	ZHAO H S, SHI J P, QI X J, et al. Pyramid scene parsing network[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition（CVPR）. July 21-26，2017，Honolulu，HI，USA. IEEE，2017：6230-6239. DOI：10.1109/CVPR.2017.660.
[22]	HE K M, ZHANG X Y, REN S Q, et al. Deep residual learning for image recognition[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition（CVPR）. June 27-30，2016，Las Vegas，NV，USA. IEEE，2016：770-778.
[23]	CAMPELLO V M, GKONTRA P, IZQUIERDO C, et al. Multi-centre，multi-vendor and multi-disease cardiac segmentation：the M&Ms challenge[J]. IEEE Trans Med Imaging，2021，40(12)：3543-3554. DOI：10.1109/TMI.2021.3090082.
[24]	新华社. 中共中央　国务院关于构建数据基础制度更好发挥数据要素作用的意见[EB/OL].(2022-12-19)[2023-11-14].

隐私加密算法	算法特征	代表性研究
联邦学习	联邦学习采用分布式学习框架，允许不同的数据持有者在不共享原始数据的情况下合作训练强大的模型；只共享梯度和权重等参数，数据本身不发生转移，可有效防止任何潜在的数据泄露；在推理阶段，当使用云服务器时，可能不会阻止来自本地的原始数据传输。局限性：如果网络组织较大，则通信成本较高	（1）用于脑肿瘤图像分割的联邦学习算法^[3] （2）基于联邦学习的多功能磁共振成像分析^[4] （3）用于混合图像标签的医学图像分割^[5]
数据变换	数据变换指利用神经网络等方法将原始数据转换为其他形式，从而隐藏其包含的隐私信息。局限性：只保护了推理阶段的隐私，而训练阶段的隐私泄露风险仍然存在	（1）基于特征提取网络的数据变换^[6] （2）基于预训练模型网络层分离的数据转换^[7] （3）基于对抗训练的数据转换^[8]
同态加密	同态加密通过对神经网络中的非线性操作进行多项式近似而能够直接使用加密数据进行训练，无需事先解密。局限性：对网络的修改会导致性能下降和计算复杂度增加，难以应用于复杂任务	（1）CryptoNets^[9] （2）CryptoDL^[10]
可学习的图像加密	可学习的图像加密指对隐私图像进行加密，加密后的图像仍可应用深度学习方法。局限性：加密后的图像目前仅能用于分类等简单任务，对于分割掩膜等像素简单的图像难以实现加密	（1）提出可学习的图像加密概念^[11] （2）提出改进加密方法，使模型能同时用于加密图像和原始图像^[12] （3）引入参数平衡隐私保护和模型性能^[13]
其他	利用生成对抗网络（GAN）从分割掩膜生成图像用于后续训练，从而保证原始图像不被获取；利用GAN混淆患者身份信息，从而实现隐私保护。局限性：分割掩膜信息没有受到保护，分割掩膜信息泄露会使隐私泄露风险大为增加	（1）利用掩膜生成医学图像^[14] （2）利用GAN混淆患者身份^[15]

隐私加密算法	算法特征	代表性研究
联邦学习	联邦学习采用分布式学习框架，允许不同的数据持有者在不共享原始数据的情况下合作训练强大的模型；只共享梯度和权重等参数，数据本身不发生转移，可有效防止任何潜在的数据泄露；在推理阶段，当使用云服务器时，可能不会阻止来自本地的原始数据传输。局限性：如果网络组织较大，则通信成本较高	（1）用于脑肿瘤图像分割的联邦学习算法^[3] （2）基于联邦学习的多功能磁共振成像分析^[4] （3）用于混合图像标签的医学图像分割^[5]
数据变换	数据变换指利用神经网络等方法将原始数据转换为其他形式，从而隐藏其包含的隐私信息。局限性：只保护了推理阶段的隐私，而训练阶段的隐私泄露风险仍然存在	（1）基于特征提取网络的数据变换^[6] （2）基于预训练模型网络层分离的数据转换^[7] （3）基于对抗训练的数据转换^[8]
同态加密	同态加密通过对神经网络中的非线性操作进行多项式近似而能够直接使用加密数据进行训练，无需事先解密。局限性：对网络的修改会导致性能下降和计算复杂度增加，难以应用于复杂任务	（1）CryptoNets^[9] （2）CryptoDL^[10]
可学习的图像加密	可学习的图像加密指对隐私图像进行加密，加密后的图像仍可应用深度学习方法。局限性：加密后的图像目前仅能用于分类等简单任务，对于分割掩膜等像素简单的图像难以实现加密	（1）提出可学习的图像加密概念^[11] （2）提出改进加密方法，使模型能同时用于加密图像和原始图像^[12] （3）引入参数平衡隐私保护和模型性能^[13]
其他	利用生成对抗网络（GAN）从分割掩膜生成图像用于后续训练，从而保证原始图像不被获取；利用GAN混淆患者身份信息，从而实现隐私保护。局限性：分割掩膜信息没有受到保护，分割掩膜信息泄露会使隐私泄露风险大为增加	（1）利用掩膜生成医学图像^[14] （2）利用GAN混淆患者身份^[15]

构成部分	网络层名	网络层细节	输出大小
编码器	输入层	[Conv，BN，ReLU]×2	（8，H，W）
	下采样层1	Downsampling+[Conv，BN，ReLU]×2	（16，H/2，W/2）
	下采样层2	Downsampling+[Conv，BN，ReLU]×2	（32，H/4，W/4）
	下采样层3	Downsampling+[Conv，BN，ReLU]×2	（64，H/8，W/8）
	下采样层4	Downsampling+[Conv，BN，ReLU]×2	（128，H/16，W/16）
解码器	上采样层4	Upsampling+[Conv，BN，ReLU]×2	（64，H/8，W/8）
	上采样层3	Upsampling+[Conv，BN，ReLU]×2	（32，H/4，W/4）
	上采样层2	Upsampling+[Conv，BN，ReLU]×2	（16，H/2，W/2）
	上采样层1	Upsampling+[Conv，BN，ReLU]×2	（8，H，W）
	输出层	Conv（1×1）	和输入一致

构成部分	网络层名	网络层细节	输出大小
编码器	输入层	[Conv，BN，ReLU]×2	（8，H，W）
	下采样层1	Downsampling+[Conv，BN，ReLU]×2	（16，H/2，W/2）
	下采样层2	Downsampling+[Conv，BN，ReLU]×2	（32，H/4，W/4）
	下采样层3	Downsampling+[Conv，BN，ReLU]×2	（64，H/8，W/8）
	下采样层4	Downsampling+[Conv，BN，ReLU]×2	（128，H/16，W/16）
解码器	上采样层4	Upsampling+[Conv，BN，ReLU]×2	（64，H/8，W/8）
	上采样层3	Upsampling+[Conv，BN，ReLU]×2	（32，H/4，W/4）
	上采样层2	Upsampling+[Conv，BN，ReLU]×2	（16，H/2，W/2）
	上采样层1	Upsampling+[Conv，BN，ReLU]×2	（8，H，W）
	输出层	Conv（1×1）	和输入一致

图像类医疗大数据隐私加密技术方案及政策立法的协同策略研究

Research on the Privacy-preserving Technical Scheme and the Coordinative Policies Strategies for Big Data in Medical Imaging

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 5

参考文献 24

相关文章 15

编辑推荐

Metrics

留言

[1]	张璇, 张飞, 李铭麟, 王佳贺. 智能机器人在基层慢性病管理中的应用与挑战[J]. 中国全科医学, 2025, 28(01): 7-12.
[2]	陈永怡, 孟彦辰. 澳大利亚健康医疗数据跨境流动法律规制研究及其对中国的启示[J]. 中国全科医学, 2024, 27(25): 3091-3099.
[3]	高景宏, 王言研, 蒋帅, 付航, 段彦然, 王素凡, 王成增. Haddon模型视角下大数据和人工智能在COVID-19疫情防控中的应用分析[J]. 中国全科医学, 2024, 27(01): 111-117.
[4]	黄锦玲, 曾志嵘. 我国城市社区卫生服务政策演进逻辑及走向研究[J]. 中国全科医学, 2023, 26(34): 4239-4245.
[5]	解夕黎, 孙明, 贾雯涵, 皮静波, 马亚楠. "大数据时代"下慢性病防控新模式的研究进展[J]. 中国全科医学, 2022, 25(22): 2811-2814.
[6]	王天园，孙星，胡晶，冯硕，张会娜，王宏，李博. 中医药临床试验中电话随访的方法学应对与思考[J]. 中国全科医学, 2021, 24(2): 248-252.
[7]	王昊旻，李筱永，姬雨童. 《民法典》背景下北京市严重精神障碍发病报告制度研究[J]. 中国全科医学, 2021, 24(17): 2127-2133.
[8]	章琦，章玮，白正玉. 基于大数据糖尿病患者膳食管理系统的设计[J]. 中国全科医学, 2021, 24(13): 1697-1702.
[9]	于琦，景胜洁，邰杨芳，吴胜男，常江毅，贺培凤. 我国健康医疗大数据政策文献的多维分析[J]. 中国全科医学, 2019, 22(26): 3209-3216.
[10]	刘芷含，赵旭宏. 大数据时代下我国社区卫生服务发展的态势分析与战略选择[J]. 中国全科医学, 2018, 21(22): 2668-2671.
[11]	陈纯1*，张勇2，黄绍中3，谢小平4. 2005-2014年福建省直单位参保人群中心脑血管疾病患者门诊就诊机构及费用分布的概况及分析[J]. 中国全科医学, 2017, 20(24): 3008-3014.
[12]	高力军*，吴群红. 基于大数据分析的基层医疗卫生机构基本药物采购特征研究[J]. 中国全科医学, 2017, 20(22): 2720-2726.
[13]	王亚男1，胡海源1*，张群1，申玉杰2. 大数据时代的医师多点执业智能化管理研究[J]. 中国全科医学, 2017, 20(10): 1271-1274.
[14]	孟润堂，罗艺，宇传华，邱杰，周达. 健康大数据在公共卫生领域中的应用与挑战[J]. 中国全科医学, 2015, 18(35): 4388-4392.
[15]	王潇，张爱迪，严谨. 大数据在医疗卫生中的应用前景[J]. 中国全科医学, 2015, 18(1): 113-115.