Kecerdasan Buatan (AI) adalah bidang baru dan inovatif yang diatur untuk mengubah setiap industri pada intinya. AI memanfaatkan data yang tersedia untuk mempelajari cara menyelesaikan tugas; itu sangat melampaui otak manusia dalam hal efisiensi dan akurasi. AI telah menunjukkan harapan besar melalui integrasinya yang sukses di banyak bidang, seperti mengemudi otonom, asisten suara, dan banyak lagi.
Keunggulan AI membuat integrasinya dalam biomedis dan perawatan kesehatan menjadi penting dan tak terelakkan. AI memungkinkan data besar dalam perawatan kesehatan dipecah dan dianalisis untuk mendapatkan pemahaman yang lebih baik dan mengidentifikasi pola dan risiko yang mungkin terlewatkan oleh pikiran manusia.
AI dan privasi
AI telah menunjukkan harapan besar dalam perawatan kesehatan dengan menganalisis data genomik dan biomedis, mewakili molekul mirip obat, dan memodelkan sel serta fungsinya. Kisah sukses ini tidak terbatas pada penelitian biomedis tetapi juga dalam mendiagnosis kondisi dan keterlibatan dalam perawatan kesehatan rawat inap. Teknologi AI telah melampaui akurasi manusia dalam mendeteksi kanker payudara dan memprediksi sepsis. Keunggulan AI ini menjadikannya bidang yang menuntut perhatian karena dapat merevolusi akurasi dan pemahaman perawatan kesehatan tentang biomedis. Di samping manfaat ini, ada juga banyak masalah privasi terkait penggunaan data yang digunakan AI.
AI bergantung pada pembelajaran dari data yang dikumpulkan dari individu dan memastikan bahwa data sensitif tetap rahasia sangat penting untuk memastikan kemajuan AI. Studi telah mengungkapkan bahwa teknik AI tidak selalu menjaga privasi data. Contohnya adalah studi yang menunjukkan bahwa dimasukkannya individu dalam kumpulan data dapat dengan mudah disimpulkan dengan menanyakan keberadaan alel tertentu dan menggunakannya untuk mengidentifikasi anggota keluarga.
Inferensi keanggotaan adalah serangan lain yang dapat menyimpulkan keanggotaan seseorang dengan menanyakan data yang tersedia atau statistik yang diterbitkan oleh studi asosiasi genome-wide (GWAS). Studi ini telah menyebabkan pembatasan akses ke data dengan nama samaran dan memperkenalkan undang-undang privasi seputar data AI di AS dan UE. Konsekuensinya, untuk memungkinkan penelitian kolaboratif, industri dan institusi akademik harus menerapkan teknik perlindungan privasi untuk memastikan kerahasiaan dan kepatuhan terhadap hukum.
Teknik AI yang menjaga privasi
Baru-baru ini, ada berbagai teknik AI yang diusulkan untuk menjaga privasi dalam biomedis. Teknik-teknik ini sebagian besar dapat dikategorikan ke dalam empat kategori: teknik kriptografi, privasi diferensial, pembelajaran federasi, dan pendekatan hibrid.
Teknik kriptografi melibatkan enkripsi homomorfik (HE) untuk dilakukan pada statistik dan menghitungnya sambil menjaga privasi data. HE bisa sebagian HE (PHE) atau sepenuhnya HE (FHE) dan mereka menentukan tingkat operasi yang telah dialami data. PHE berarti bahwa data yang dienkripsi telah mengalami operasi penjumlahan atau perkalian dan FHE berarti bahwa operasi penjumlahan dan perkalian telah diterapkan pada data yang dienkripsi. Jenis lain dari enkripsi kriptografi adalah perhitungan multipartai yang aman (SMPC). Ini mengharuskan organisasi yang berpartisipasi untuk berbagi rahasia yang terpisah dan berbeda dengan pihak komputasi berbeda yang menghitungnya dan membagikan hasilnya dengan pihak komputasi lain yang menghitung hasil akhir. Hasil ini kemudian dikembalikan kepada peserta karena sama.
Privasi diferensial adalah salah satu metode paling canggih untuk menghilangkan pelanggaran privasi data. Konsep ini mengandalkan pengenalan potongan data acak ke kumpulan data besar yang menyamarkan data sensitif. Ini adalah metode standar yang digunakan oleh Google, Apple, Biro Sensus Amerika Serikat, dan baru-baru ini, bidang kesehatan dan biomedis. Ini ideal untuk kumpulan data besar terpusat di mana keberadaan data individu tertentu secara statistik tidak dapat dibedakan dari kumpulan data tanpa data individu ini.
Federated learning adalah proses yang mengandalkan para peserta, seperti rumah sakit, tidak membagikan data yang mereka miliki melainkan mengekstraksi pengetahuan dari data mereka untuk dibagikan kepada klien. Ini mengharuskan institusi lokal untuk melatih AI yang dapat menghitung data tersebut dan menerapkan parameter yang relevan dan membagikan hasilnya, tanpa informasi sensitif, dengan koordinator yang membangun model global. Permintaan ini telah meningkatkan platform AI yang bertujuan untuk menerapkan pembelajaran federasi pada data di sektor kesehatan.
Teknik yang muncul untuk menjaga privasi adalah pendekatan hibrid yang menggabungkan pembelajaran federasi dengan teknik lain seperti kriptografi dan diferensial. Keuntungan federated learning adalah mencegah pembagian data pasien dengan pihak ketiga; namun, ada potensi penyalahgunaan terkait parameter yang dibagikan dengan koordinator jika dikompromikan. Oleh karena itu, menerapkan HE ke data terenkripsi atau memasukkan data acak dapat bermanfaat dalam menghilangkan kemungkinan pelanggaran privasi data.
Kemunculan AI telah menyoroti bagaimana data pasien yang sensitif ditangani dan digunakan. Ini sangat penting di bidang biomedis dan perawatan kesehatan, di mana kepercayaan sangat penting untuk alasan etis dan juga untuk perkembangan kedokteran. AI dapat digunakan untuk mencegah pelanggaran privasi data ini dan memastikan bahwa kerahasiaan pasien terjaga.