ЛЕКЦИЯ 2

Лекция 2. Деидентификация в четыре уровня

Как защищённая медицинская информация утекает из медицинских данных и как её убрать: профиль конфиденциальности DICOM PS3.15, частные теги, текст, вшитый в пиксели, и лица в 3D-сканах, а также что сегодня проверяет гейт проекта osv.deid. Со схемами, формулами, интерактивными примерами и 3D-анимацией.

Страница ещё проходит проверку научными, клиническими и юридическими экспертами. Здесь описаны планы, а не готовые результаты.

Публичный репозиторий или бенчмарк ничего не может забрать обратно: если файл с фамилией пациента, датой рождения или узнаваемым лицом скачали, он уже где-то есть. Защищённая медицинская информация (PHI) прячется в медицинских изображениях в четырёх местах: в заголовке DICOM, в частных тегах производителей, в тексте, вшитом в пиксели, и в поверхности 3D-скана, на которой видно лицо. Эта лекция разбирает все четыре: что для каждого предписывает стандарт DICOM и что проверяет гейт проекта osv.deid. Это лекция 2 учебной программы, после лекции 1 о форматах данных.

Все имена, номера и изображения на этой странице синтетические.

Что считается PHI

  • Прямые идентификаторы сами по себе указывают на человека: имя, номер пациента или истории болезни, адрес, телефон, e-mail, фотография лица.
  • Косвенные идентификаторы, или квазиидентификаторы, сужают круг в сочетании друг с другом: даты рождения, исследования и госпитализации, возраст, пол, больница и отделение, серийный номер сканера, редкий диагноз, маленький город. Дня операции вместе с больницей может оказаться достаточно.
  • Закон проводит границу в разных местах. Метод Safe Harbor американского HIPAA перечисляет 18 видов идентификаторов, которые нужно удалить, в том числе все элементы дат, кроме года. Европейский GDPR считает псевдонимизированные данные, личность в которых можно восстановить по ключу, по-прежнему персональными; за его пределы выходят только данные, которые уже нельзя разумными средствами связать с человеком.
  • Правило проекта проще: ничего с PHI не попадает в публичный репозиторий, бенчмарк или рабочее место разметки. В CVAT попадают только деидентифицированные данные, остальное описано на странице об этике.

Четыре уровня

заголовки DICOM1 · Теги DICOMпрофиль PS3.15имена, ID, даты, клиникиблоки производителей2 · Частные тегинечётные группынедокументированные данныепиксели кадров3 · Вшитый текстOCR и маскированиефамилии, номера историйповерхности КТ и МРТ4 · Дефейсингповерхность лицанос, глаза, губы, подбородокpython -m osv.deid.scan → deid-verdict.json → метка deid:pass или deid:fail
Каждый уровень смотрит на свою часть данных; один гейт проверяет все четыре, прежде чем данные попадут в репозиторий.

Уровень 1. Теги DICOM: профиль PS3.15

DICOM PS3.15, приложение E описывает Basic Application Level Confidentiality Profile – таблицу из нескольких сотен атрибутов, для каждого из которых указано, что должен сделать деидентификатор. Действия обозначаются однобуквенными кодами:

Код Действие
D заменить фиктивным значением нужного типа
Z заменить пустым значением или фиктивным
X удалить атрибут
K оставить
C очистить: заменить значением похожего смысла, которое никого не идентифицирует
U заменить UID новым, согласованно внутри набора данных

Сочетания вроде X/Z/D означают «удалить, если IOD не требует атрибута; если требует – опустошить, если только у него не должно быть значения; тогда – фиктивное».

Базовый профиль строг. Опции ослабляют его там, где исследованию что-то нужно, и каждая записывается в заголовок своим кодом: сохранить временную информацию с полными или сдвинутыми датами, сохранить характеристики пациента вроде возраста и пола, сохранить идентичность устройства, учреждения, UID, безопасные частные теги; или ужесточают – например, требуют очистить пиксельные данные, графику или текстовые описания.

Примените профиль к синтетическому заголовку. Действия взяты из приложения E; отметьте опцию, чтобы увидеть, что она возвращает.

ТегИмяИсходное (синтетическое)ДействиеРезультат
(0010,0010)PatientNameSYNTHETIC^PATIENTZ(пусто)
(0010,0030)PatientBirthDate19650412Z(пусто)
(0010,1010)PatientAge060YX(удалено)
(0010,0040)PatientSexFZ(пусто)
(0008,0020)StudyDate20260302Z(пусто)
(0008,0050)AccessionNumberACC-0000001Z(пусто)
(0008,0080)InstitutionNameExample ClinicX/Z/D(удалено)
(0018,1000)DeviceSerialNumberSN-000123X/Z/D(удалено)
(0020,000D)StudyInstanceUID1.2.3.4.5.67890.1U2.25.199338573285018412369876543210987654
(0012,0062)PatientIdentityRemoved–добавленоYES
(0012,0064)DeidentificationMethodCodeSequence–добавлено113100

Две последние строки не менее важны, чем остальные: деидентифицированный файл должен сообщать об этом сам. PatientIdentityRemoved становится YES, а последовательность кодов метода перечисляет профиль (113100) и все применённые опции по кодам из PS3.16, CID 7050. Тогда тот, кто читает данные, знает, что возраст сохранён или даты сдвинуты.

Псевдонимы, UID и даты

Если удалить всё, исследование сломается: срезы одной серии должны по-прежнему держаться вместе, а сканы одного пациента – связываться между собой. Три приёма сохраняют связи без личности.

ID′=OSV_‖hex(HMACK(ID)) UID′=2.25.‖dec(HMACK(UID)mod2128)
  • Псевдонимы заменяют идентификатор хешем с ключом – HMAC с секретным ключом K. Один и тот же пациент всегда получает один и тот же псевдоним, и исследования остаются связанными. Данные защищает именно ключ: обычный хеш семизначного номера истории болезни обращается перебором всех десяти миллионов номеров, а ключ, хранящийся отдельно от данных, делает это невозможным. Тот, у кого есть ключ, может восстановить личность, поэтому GDPR и считает такие данные персональными.
  • UID заменяются так же. Корень 2.25. зарезервирован для UID, построенных из 128-битного числа; хеш старого UID сохраняет все ссылки между файлами.
d′=d+Δp Δp=HMACK(PatientID)mod731−365
  • Сдвиг дат переносит все даты одного пациента на одно и то же число дней, здесь от −365 до +365, вычисленное по ключу. Интервалы сохраняются: контрольный скан по-прежнему через 92 дня после операции. В заголовок записывается опция сдвинутых дат (113107). Интерактивная таблица выше сдвигает дату исследования на −105 дней.

Уровень 2. Частные теги

тегVRзначение(0029,0010)LOEXAMPLE VENDOR 1.0(0029,1001)LOназвание протокола(0029,1010)OBдвоичные, без описания(0029,1020)OBдвоичные, без описаниянечётный номер группы: частныйcreator резервирует (0029,1000–10FF)содержимое знает только производитель:там бывают имена, даты, даже скриншоты
Вымышленный блок производителя. В настоящих лежат параметры сканирования, названия протоколов, а иногда и заметки оператора.

Стандартные атрибуты живут в группах с чётными номерами. Элементы нечётных групп – частные: производитель записывает элемент private creator, например (0029,0010), со своим названием, и тот резервирует блок от (0029,1000) до (0029,10FF) под его данные (PS3.5, раздел 7.8). Что лежит в блоке, описано разве что в заявлении о соответствии производителя. Двоичные блоки могут содержать копию имени пациента, оператора, больницы и даже встроенный скриншот, и никакой универсальный инструмент не может их проверить.

Поэтому правило – удалять все частные элементы, кроме тех, что внесены в список проверенных; опция профиля «сохранить безопасные частные теги» существует ровно для них. Гейт проекта держит этот список пустым: любой элемент нечётной группы его не проходит.

Уровень 3. Текст, вшитый в пиксели

Некоторые изображения несут личность в самих пикселях: экраны УЗИ с фамилией пациента и датой вверху, эндоскопические стойки, накладывающие на видео фамилию, дату, время и название больницы, скриншоты, сохранённые как вторичные снимки DICOM, сканы документов. Удаление тегов на них не действует, а элемент заголовка BurnedInAnnotation (0028,0301), который должен сообщать о наличии текста, часто отсутствует или неверен.

кадрс текстомградиентmax − min, 3 × 3порогОцусоединитьзамыкание 9 × 3отобрать строкиh 8–60 пикс., w/h ≥ 1,5закраситьнепрозрачно
Детектор по форме, который osv.deid запускает всегда, вместе с Tesseract, если тот установлен: он находит текст по форме, не читая его.

Его находят два дополняющих друг друга детектора:

  • OCR читает текст, здесь с помощью Tesseract, и ищет шаблоны: даты, время и слова вроде «patient», «DOB» или «MRN».
  • Форма: текст состоит из резких контрастных штрихов, выстроенных в горизонтальные строки, в отличие от гладких тканей. Морфологический градиент (максимум минус минимум по 3 × 3 пикселя) подсвечивает штрихи, метод Оцу выбирает порог, замыкание прямоугольником 9 × 3 соединяет буквы в строки, и остаются только прямоугольники с высотой и пропорциями строки текста.

Найденный текст затем закрашивают: покрывают непрозрачной заливкой в самих хранимых пикселях. Три правила: заливка непрозрачная, потому что размытый или пикселизированный текст иногда удаётся прочитать обратно; она меняет сами пиксельные данные, а не графический слой или оверлей DICOM, которые просмотрщик может отключить; в видео она покрывает каждый кадр, потому что надписи появляются, двигаются и исчезают. Попробуйте на синтетическом кадре с синтетической надписью:

Посмотрите внимательно на закрашенный кадр: детектор обводит несколько краёв тканей и пропускает часть надписи, так что строка синтетических данных остаётся читаемой. Гейт этот кадр всё равно не пропустит, потому что найдёт больше одной похожей на текст области, но закрашивать только найденное детектором недостаточно. Поэтому инструменты маскирования закрашивают и фиксированные области, куда аппарат выводит свои надписи, а результат проверяет человек.

Уровень 4. Дефейсинг

мозгудаленомозгдо: лицо можно восстановить в 3Dпосле: воксели лица обнулены
Вид сбоку. Настоящие инструменты подгоняют разрез под каждую голову, обычно совмещая с ней шаблон с маской лица.

КТ или МРТ головы содержит кожу лица. В 3D-рендере это портрет, и Schwarz и соавт. (NEJM, 2019) показали, что обычная программа распознавания лиц сопоставляет такие рендеры исследовательских МРТ с фотографиями участников. Удаление фамилии не помогает, если в данных есть само лицо.

Дефейсинг обнуляет воксели лица (превращает их в воздух): нос, глаза, губы, подбородок, иногда уши, не трогая мозг и остальную анатомию. Инструменты вроде pydeface и mri_deface из FreeSurfer совмещают со сканом шаблон и удаляют то, что попадает в его маску лица. После каждого запуска нужны две проверки: в 3D-рендере не осталось узнаваемого лица, и мозг не задет. Скальпирование (skull stripping), удаляющее всё, кроме мозга, тоже скрывает лицо, но выбрасывает анатомию, нужную многим задачам. Сканам без головы, например КТ живота, дефейсинг не нужен.

Что osv.deid делает сегодня

osv.deid – это гейт: он проверяет файлы и не пропускает pull request, в котором ещё есть PHI. Само удаление делается раньше, инструментами, созданными для этого: например, deid, dicognito или dicom-anonymizer для заголовков, OCR и закрашивание для пикселей, pydeface или mri_deface для лиц.

Уровень Что проверяет гейт Что важно знать
1. Теги DICOM 33 идентифицирующих атрибута профиля PS3.15: любой со значением, которое не пусто и не заглушка, не проходит значения, начинающиеся с префикса псевдонима вроде OSV_ или CASE_, проходят без проверки
2. Частные теги любой элемент нечётной группы не проходит; список разрешённых пуст строго намеренно
3. Вшитый текст файлы изображений (PNG, JPEG, BMP, TIFF): Tesseract с шаблонами дат, времени и ключевых слов, если установлен, и всегда детектор по форме, который не пропускает изображение с двумя и более похожими на текст областями пиксели DICOM и видео не проверяются; одна строка текста может пройти детектор по форме
4. Дефейсинг объёмы с именами, похожими на сканы головы (head, brain, skull, face), должны иметь в имени файла отметку о дефейсинге геометрическая проверка поверхности лица запланирована, но не сделана

На практике:

  • В CI workflow deid-scan запускает python -m osv.deid.scan на каждом изменённом файле в osv/datasets, osv/deid, data и файлах DVC, пишет deid-verdict.json и ставит на pull request метку deid:pass или deid:fail. Это обязательная проверка; агент deid-gate объясняет провал в комментарии, но не принимает решение.
  • Перед pull request запустите ту же проверку сами или /deid <путь> в ИИ-ассистенте проекта.
  • Прохождение необходимо, но не достаточно. Гейт проверяет известные места известными правилами. Каждый новый источник данных всё равно просматривает человек, который знает эти данные, а реальные данные вообще не попадают в публичный репозиторий.

Чек-лист

  • Заголовки: применён базовый профиль, опции выбраны осознанно и записаны, PatientIdentityRemoved равен YES.
  • Связи сохранены через хеш с ключом; ключ хранится отдельно от данных.
  • Частные теги удалены, если их нет в списке разрешённых.
  • Каждое изображение и каждый кадр видео проверены на вшитый текст; текст закрашен непрозрачно в самих пикселях.
  • КТ и МРТ головы прошли дефейсинг, результат проверен в 3D.
  • python -m osv.deid.scan проходит, и человек посмотрел на новый источник.

Что почитать