Il Secure Multi-party Computation (SMPC) garantisce riservatezza e sicurezza nel trattamento dei dati sanitari per il machine learning.
In un’era in cui la privacy dei dati e la loro protezione sono priorità imprescindibili, il settore sanitario si trova di fronte alla sfida di utilizzare modelli di machine learning per analizzare dati sensibili dei pazienti, mantenendo al contempo la loro riservatezza. È qui che la tecnica di Secure Multi-party Computation (SMPC) rivela il suo potenziale trasformazionale, offrendo ai professionisti del settore la possibilità di eseguire calcoli su dati crittografati senza comprometterne la sicurezza.
Tradizionalmente, i metodi di crittografia hanno protetto i dati solo durante la loro memorizzazione, ma non durante il loro utilizzo in calcoli complessi. Aziende come Microsoft, attraverso la suite di Microsoft 365, hanno sviluppato Azure Confidential Computing, una piattaforma che permette di gestire dati sensibili nelle cosiddette “enclavi sicure”. Tuttavia, l’SMPC si differenzia per la sua capacità di lavorare direttamente con dati criptati, senza necessità di decrittazione.
Confrontando l’SMPC con i metodi di crittografia tradizionali, emerge un vantaggio cruciale: l’SMPC abilita il processamento su dati cifrati, ove i metodi classici richiedono la decrittografazione dei dati per l’analisi. Considerando il caso di immagini DICOM cifrate per l’inferenza di un modello, l’SMPC consente di utilizzare direttamente l’immagine criptata. Tuttavia, dobbiamo osservare che il carico computazionale aggiuntivo legato all’uso dell’SMPC è variabile, dipendendo dalla specifica funzione o calcolo eseguito sui dati cifrati.
Il valore aggiunto dell’SMPC nel settore sanitario
L’SMPC trasforma profondamente l’analisi dei dati sanitari e l’utilizzo di modelli di machine learning mantenendo inalterata la privacy dei pazienti:
- Conservazione della privacy: durante il processo di calcolo, l’SMPC protegge i dati dei singoli pazienti, consentendo a ogni parte di visualizzare solo i propri dati e mantenendo nascosti quelli altrui.
- Ricerca collaborativa: l’SMPC promuove la condivisione di informazioni tra istituzioni sanitarie senza compromettere la riservatezza dei dati.
- Condivisione sicura dei dati: l’SMPC offre meccanismi di condivisione controllata che migliorano la ricerca e il progresso della conoscenza medica.
ML a tutela della sicurezza nell’analisi di dati fMRI
In particolare, l’applicazione dell’SMPC nell’analisi di immagini provenienti dalla Risonanza Magnetica Funzionale (fMRI) potrebbe rivoluzionare il settore sanitario, fornendo approfondimenti sulla funzionalità cerebrale e sulla diagnosi dei disturbi neurologici, senza trascurare la natura sensibile dei dati fMRI e le preoccupazioni per la privacy che ne derivano. Per affrontare queste sfide, tecniche di machine learning che preservano la privacy, come l’anomizzazione dei dati, la crittografia sicura, l’apprendimento federato e la privacy differenziale, permettono di trarre vantaggio dai benefici del machine learning in analisi fMRI, garantendo al contempo la confidenzialità dei pazienti e il rispetto dei requisiti normativi.
Utilizzando strumenti come EzPC-OnnxBridge, un compilatore point-to-end per convertire modelli Onnx in protocolli crittografici di backend sicuro, è possibile eseguire analisi sicure di dati fMRI utilizzando machine learning senza necessità di competenze specifiche in crittografia.
EzPC-OnnxBridge ed il futuro della privacy nel machine learning sanitario
EzPC-OnnxBridge rappresenta una metodologia innovativa per implementare l’SMPC nell’inferenza guidata dai dati di fMRI, garantendo la salvaguardia della riservatezza delle informazioni. La sua capacità di compilare modelli machine learning in modalità crittografiche senza esposizione dei dati sensibili è cruciale per proteggere i dati nell’ambito di collaborazioni e analisi condivise.
Questa trasformazione che EzPC persegue rafforza l’impegno del settore tecnologico e della cyber security nella creazione di soluzioni che abbattano le barriere alla collaborazione scientifica, tutto nel rigoroso rispetto della privacy del paziente e delle normative vigenti, apportando un contributo significativo alla qualità delle cure e alla precisione diagnostica in ambiti sensibili come la neuroscienza.