还在担心个人就诊记录和健康信息被泄露吗？这项新技术或许能让你吃颗“定心丸”。
最近，中山大学中山眼科中心联合清华大学和剑桥大学的科学家开发了一种基于三维重建和深度学习算法的“数字面罩”（DigitalMask，简称DM）。该技术可以在保留诊断所需疾病相关特征的同时，抹去患者面部图像中的个人身份特征信息，真正实现“识病不识人”的匿名就医。
图源：参考文献[1]
这项研究具有十足的开创性，突破了患者面部图像去身份化的技术瓶颈，是数字医疗时代促进医学伦理进步的重要尝试。目前该成果已在国际医学顶级期刊《自然-医学》（NatureMedicine）发表，这也是中国眼科机构第一次以第一单位在该期刊发表高水平研究论文。
隐私和健康只能二选一吗？
保护患者的隐私是医疗保健服务的核心，具有重要的伦理和法律意义。在过去的十年里，由于医疗记录的数字化和日益广泛的医疗记录共享，数据泄露成为了很多患者就医的“心病”，强化隐私保护迫在眉睫。
从隐私的角度来看，面部信息包含个人的身份识别信息，因此涉及面部图像的临床数据特别敏感，保护患者的面部信息以维护医疗隐私和安全至关重要。
然而，旨在记录病征的面部图像，如斜视或眼球震颤，不可避免地会记录到患者的种族、性别、年龄、情绪和其他身份识别信息。常见的面部图像匿名化方法包括模糊和裁剪数据中存在的个人身份标识符来防止身份信息的泄露，但这极有可能导致疾病诊疗所需的关键面部信息丢失。
在整个面部图像中，眼周特征识别技术是个人特征识别信息中最独特的子集之一，它可以用来协助建立强大的身份验证系统。此外，眼周特征也是眼睛和总体健康的重要标志，比如前额深皱纹和眶周皱纹形态与冠心病显著相关，眼球运动的异常变化可能表明视觉功能不佳和视觉认知发育问题。
因此，如何将个人身份特征信息与有可能从面部图像中得到的诊疗信息分割开便是一个重要挑战。
在数字医学新时代，患者的医疗影像以及日常图像数据，均是临床研究、健康档案、远程医疗的重要信息载体，也是医疗服务数字化、实时化、智能化的基础和产物，但隐私问题使得人们常常不愿分享他们的医疗数据，这在很大程度上阻碍了数字医疗的发展。
因此，有必要更新在数据收集前端用于获取知情同意的传统程序，特别是通过确保对个人健康信息的充分隐私保护，来增强患者接受这些新兴数字技术的意愿。
中山大学研究团队开发的“数字面罩”为此提供了有效解决方案。
开发“数字面罩”，解决技术难题
目前常用的个人敏感信息保护技术不少，如局部裁剪、遮盖、AI换脸等，但普遍效果欠佳，难以实际应用。
“数字面罩”是一种基于实时三维重建和深度学习算法的新技术，输入患者面部的原始视频，并基于深度学习算法和三维重建输出视频，同时尽可能多地丢弃患者的个人身份特征信息，突出显示精细的眼部重建，这便是“数字面罩”的基本工作流程。
图为“数字面罩”技术的开发过程
图源：参考文献[1]
其中，深度学习从不同的面部部位提取特征，而三维重建则根据提取的面部特征自动将三维人脸、眼睑和眼球的形状和运动数字化。
数字面罩视频不可逆转为原始视频，因为原版所需的大部分信息已被丢弃，不再存在于构成掩码的数字表示集中，能更好地守护患者隐私。
为了证明该技术的可行性，研究团队设计了一个临床试验，并评估了重建视频和原始视频对眼部疾病患者诊断的一致性。重点测试了甲状腺相关眼眶病（TAO）、斜视、上睑下垂和眼球震颤四种病理性眼病表现，涉及十余种异常行为表征，如眼睑后缩、眼外肌过度活跃或不足、水平或垂直斜视、双眼皮线变化、固定不良和代偿性头位。
图为该研究的临床实验过程
图源：参考文献[1]
结果显示，“数字面罩”正确地保留了重要的临床属性，有可能在临床实践中被采用，且使用“数字面罩”和未使用“数字面罩”进行的疾病诊断具有高度一致性。
此外，研究团队进一步使用多项选择题验证了“数字面罩”和“裁剪”两种方式的身份消除能力。结果显示，使用传统的“裁剪”方法时，参与者的身份被识别率为91.3%；而在“数字面罩”的保护下，患者身份被识别率降低到27.3%。
这两个准确率可能都被高估了，因为测试是在被试者只认识五个人的前提下进行的，而在实际情况中，这个数字要大得多。但结果仍然表明，数字面罩可以有效地去除病人的身份属性，保护病人的隐私。
最后，为了评估数字面罩在在躲避识别系统方面的表现，研究人员还进行了一次人工智能驱动的重新识别验证，使用了三个著名的深度学习系统，FaceNet20、CosFace21和ArcFace22进行人脸识别攻击。
所有测量的结果均表明，以原始图像作为查询图像，人脸识别系统很容易匹配出正确的身份；采用裁剪过的图像作为查询图像时，指标的退化程度有限；而当使用数字面罩时，人脸识别的性能明显下降。
可以说，无论在研究还是临床环境中，数字面罩都为保护病人隐私和数据利用提供了一种更务实的方法。
研究团队还随机选取到诊所就诊的病人进行调查，以测试他们对数字面罩的态度。其中超过80%的患者认为这项技术可以减轻他们对隐私的担忧，并表示如果这项成果得以实施，他们将更愿意分享自己的个人信息。
数字面罩，未来已来
即便是新一代的隐私保护技术，如联合学习和同态加密，也不能很好地保护隐私，还很容易受到模型反转或重建攻击。而数字面罩技术只选择疾病相关特征进行重建，抹去了原始数据中的身份识别信息，过程不可逆，安全性更能得到保障。
此外，与其他换脸技术相比，数字面罩可以获得定量参数（如眼球旋转程度、眼睑形状参数、眨眼率和旋转频率等），这在未来可能会对智能诊断疾病或研究疾病与某些面部特征之间的关系发挥重要作用。
除了在研究和常规临床实践中的潜在用途外，数字面罩还可以应用于远程医疗，包括在线自动诊断和患者分诊，以实现更高效的医疗服务。数字医疗的广泛采用，与新冠疫情持续肆虐的现状密不可分，这将需要克服隐私保护的障碍。而其中一个重要的步骤便是消除对医疗服务不重要的身份识别数据。数字面罩可以在数据提交到云之前对其进行加密，从而允许临床医生或AI算法审查重建数据，并打消患者对医疗记录中泄漏个人身份信息的隐忧。
中山眼科中心副主任、成果研究团队负责人林浩添教授称，“在疫情肆虐期间，我们不得不转移阵地，以电话或视频的远程诊疗方式代替面诊。但眼科疾病的远程医疗需要病人分享大量的数字面部信息，患者希望知道他们这些敏感信息是安全的，隐私也得到了保护。”
然而，“保护隐私”并不等同于“绝对消除身份特征”。根据《健康保险可携性和责任法案》（HIPAA）的隐私规则，保护病人隐私是指减少健康信息的被识别风险，其中一个最重要的原则是平衡数据泄露风险和数据利用效益。因此，本研究致力于提供一种健康信息的公开方式，在不影响临床医生准确诊断的情况下，尽可能地抹去患者受法律保护的健康信息。
不过研究团队表示，该研究仍存在一些局限性。首先，由于模型容量不足，结膜充血、眼睑水肿和组织异常生长（如眼部肿瘤）的重建仍然具有挑战性。其次，尽管研究已经证明数字面罩重建的视频不可逆，但如果患者的原始视频被泄露，数字面罩的隐私保护功能会面临失效。最后，该技术还可能会被滥用来开发针对性的攻击算法，这可能需要未来制定相关政策来抵御风险。
但无论如何，本研究已经证明了数字面罩技术在保护患者数据隐私方面的有效性，尤其证明了患者对该技术的极大认可度。此外，由于对去身份化的要求会因使用的成像数据集的类型而不同，未来有必要进一步评估数字面罩技术在更广泛的临床环境中的适用性。
参考文献：
[1]