An Optimized Information-Preserving Relational Database Watermarking Scheme for Ownership Protection of Medical Data
最近，在激励医生使用电子医疗技术（特别是电子病历（EMR）系统）方面已经产生了很大的兴趣。这种EMR系统的一个重要用途是：下一代临床决策支持系统（CDSS）将从这些电子病历中提取知识，使医生能够进行准确有效的诊断。预计未来这些医疗记录将通过云在不同医生之间共享，以提高医疗保健质量。因此，病历资料的权利保护是病历资料与第三方共享后的重要内容。水印是一种被证明是众所周知的技术，以实现这一目标。与EMR系统的水印相关的挑战是：（1）EMR中的一些字段在诊断过程中更相关;因此，它们中的微小变化可能会改变诊断，以及（2）误诊不仅可能导致危及生命的情况，而且可能导致患者的治疗费用高昂。本文的主要贡献是一个信息保持水印方案，以解决上述挑战。我们将水印嵌入过程建模为一个约束优化问题。我们证明，通过实验，我们的计划不仅保留了诊断的准确性，但也是众所周知的攻击破坏水印的弹性。最后但并非最不重要的是，我们还比较了我们的计划与一个众所周知的阈值为基础的计划，以评估相对优点的分类。我们的试点研究表明，-使用建议的信息保存计划-的整体分类精度从来没有下降超过1%。相比之下，诊断准确性，使用基于阈值的技术，在最坏的情况下下降了18%以上。
2018-01-30 cs.CR cs.MM
Explainable Machine Learning-Based Security and Privacy Protection Framework for Internet of Medical Things Systems
Laboratoire LRDSI/SIIR, Blida 1 University, PROXYLAN SPA/Subsidiary of CERIST, Algeria（LRDSI/SIIR实验室，Blida 1大学，PROXYLAN SPA/子公司 of CERIST，阿尔及利亚）；Emory University, Atlanta, USA（埃默里大学，美国）；Laboratoire LRDSI/SIIR, Blida 1 University, Algeria（LRDSI/SIIR实验室，Blida 1大学，阿尔及利亚）
该研究针对医疗物联网的安全与隐私挑战，提出结合人工神经网络、联邦学习和可解释AI的入侵检测框架，经多数据集实验验证，其性能与集中式方法相当，兼具隐私保护与模型解释优势。
2026-08-11 cs.AI cs.CR
Protection of the patient data against intentional attacks using a hybrid robust watermarking code
在医疗数据传输过程中，患者信息的安全性非常重要。提出了一种结合加密、完整性保护和隐写的混合空域水印算法，以增强基于认证的信息原始性。该算法检查患者的信息是否被故意更改。所创建的代码分布在医学图像的每个像素处，而不仅仅是在非感兴趣像素的区域中，同时仍然保留图像细节。为了提高水印代码的安全性，采用SHA-1作为对称加密算法的初始密钥。这种方法的目标是同时保留图像和水印的内容，这是通过从原始图像的一个分量合成加密的水印而不是通过在图像中嵌入水印来实现的。为了评估所提出的代码，使用了最低有效位（LSB）、位2SB和位3SB。对所提出的代码的评估表明，LSB具有更好的质量，但总体而言，Bit 2SB在对抗高达2*2像素大小的主动攻击的能力方面更好，并且它保留了高图像质量。
2021-10-17 cs.CR
A Visual Cryptographic Encryption Technique for Securing Medical Images
在不安全和开放的网络上传输多媒体医疗内容的使用的增加的增长为这些网络上的机密患者信息提供了不安全性。提出了在传输和存储之前对医学图像进行数字加密的方法，以有效地提供对患者信息的保护。在对这些图像加水印之前进行加密是必要的，以确保未经授权的人员与患者无法访问信息。提出了一种用于医学图像在传输或存储前加密的可视密码技术。这将使未经授权的人员无法访问这些图像，并确保机密性。该过程利用了一种加密技术，该技术基于像素重排和从图像生成的秘密密钥。
2013-07-30 cs.CR
Revolutionizing Medical Data Sharing Using Advanced Privacy Enhancing Technologies: Technical, Legal and Ethical Synthesis
多站点医学数据共享在现代临床实践和医学研究中至关重要。面临的挑战是进行数据共享，保护个人隐私和数据可用性。传统隐私增强技术的缺点意味着机构依赖于定制的数据共享合同。这些合同增加了数据共享的效率，并可能抑制重要的临床治疗和医学研究。本文提供了两种新的高级隐私增强技术（PET）：同态加密和安全多方计算（统称为多方同态加密或MHE）之间的综合。这些PET提供隐私的数学保证，其中MHE提供优于单独使用HE或SMC的性能优势。我们认为，MHE符合《通用数据保护条例》（GDPR）对医疗数据共享的法律要求，该条例为数据保护设定了全球基准。具体而言，使用MHE处理和共享的数据可以被视为匿名数据。我们解释如何MHE可以减少机构之间的定制合同措施的依赖。该方法可以加快医学研究的步伐，同时为医疗保健和研究机构采用通用数据互操作性标准提供额外的激励。
2020-10-27 cs.CR cs.CY
LLM-based Privacy Data Augmentation Guided by Knowledge Distillation with a Distribution Tutor for Medical Text Classification
College of Science, National University of Defense Technology, Hunan, China（国防科技大学科学学院，湖南，中国）；College of Computer, National University of Defense Technology, Hunan, China（国防科技大学计算机学院，湖南，中国）；The CoAI Group, DCST, BNRist, Tsinghua University, Beijing（清华大学北京人工智能研究院，北京）
本文提出一种结合LLM和知识蒸馏的隐私数据增强方法，通过分布导师控制生成分布，提升医学文本分类的隐私保护与性能。
2024-02-26 cs.CL cs.CR
Multi-Agent Framework for Controllable and Protected Generative Content Creation: Addressing Copyright and Provenance in AI-Generated Media
National University of Sciences（国家科学与技术大学）；Rensselaer Polytechnic Institute New York, United States（新泽西理工学院纽约分校）
本文提出一种多智能体框架，通过集成水印和智能体角色解决生成内容的可控性和版权问题，提升语义对齐和水印恢复率。
2026-01-09 cs.AI cs.CR
A Blockchain-based Data Governance Framework with Privacy Protection and Provenance for e-Prescription
医疗保健和供应链领域的实际应用程序在多利益相关者环境中生成、交换和共享数据。数据所有者希望在这样的设置中控制他们的数据和隐私。另一方面，数据消费者需要了解何时、如何以及谁产生数据的方法。这些需求需要数据治理框架来保证数据来源、隐私保护和同意管理。我们引入了一个基于区块链技术和代理重新加密的去中心化数据治理框架，让数据所有者通过隐私增强和同意管理机制来控制和跟踪他们的数据。此外，我们的框架允许数据消费者通过基于区块链的出处机制来理解数据沿袭。我们使用数字电子处方作为用例，因为它具有多个利益相关者和敏感数据，同时使医疗界能够管理患者的处方数据，将患者作为数据所有者，将医生和药剂师作为数据消费者。我们基于CosmWasm、Ethereum和pyUmbral PRE的概念验证实现和评估结果表明，所提出的去中心化系统以最小的开销保证了透明度、隐私和信任。
2021-12-28 cs.CR
Report: State of the Art Solutions for Privacy Preserving Machine Learning in the Medical Context
基于大数据的机器学习越来越受到各个领域的关注。即便如此，隐私保护技术也变得更加重要，甚至是必要的，因为法律法规，如《通用数据保护条例》（GDPR）。另一方面，数据往往分布在各方之间。特别是在医疗环境中，有几个数据持有者，例如医院，我们需要处理高度敏感的值。一个真实的世界场景将是保存在电子病历中的数据，目前在许多国家都可以使用。医疗数据是加密的。用户（例如医生、医院）只能在患者授权后解密数据。关于这种情况的一个主要问题是，是否有可能在不侵犯数据所有者隐私的情况下处理用于研究目的的数据。我们希望评估哪种加密机制--同态加密、多方计算或可信执行机制--可用于此任务。
2022-01-27 cs.CR
Secure Stream Processing for Medical Data
医疗数据属于其产生者。越来越多的情况是，这些数据通常在未经授权的第三方云中进行处理，这些第三方永远不会有机会访问这些数据。此外，最近的数据保护法规（例如，GDPR）为隐私保护处理技术的发展铺平了道路。在本文中，我们提出了一个流物联网架构的概念证明，该架构结合可信硬件和Spark在云中安全地处理心脏数据。额外的安全保证不会对服务器中的应用程序代码进行更改。我们用包含来自可穿戴设备的ECG的数据库测试了该系统，该可穿戴设备由8名健康男性组成，这些男性进行标准化范围的实验室内物理活动（例如，跑步、步行、骑自行车）。我们表明，与标准Spark Streaming相比，隐私的增加是以执行时间加倍为代价的。
2019-07-30 cs.CR
Privacy protection based on mask template
Beijing University of Technology（北京工业大学）；Beijing Friendship Hospital（北京友谊医院）
强大的识别算法被广泛应用于互联网或重要的医疗系统中，对个人隐私构成严重威胁。尽管法律规定了多样性保护，例如欧洲的通用数据保护条例（GDPR）和中国的民法典第1032条至第1039条。然而，作为重要的隐私泄露事件，生物特征数据往往具有隐蔽性，机主很难察觉和溯源。人体生物特征通常存在于图像中。为了避免个人隐私的泄露，我们应该防止未经授权的识别算法获取原始图像的真实特征。
2022-02-13 cs.AI cs.CR cs.CV
SPIKE: Secure and Private Investigation of the Kidney Exchange problem
背景：肾脏交换问题（KEP）解决了需要替代器官的患者与相容的活体供体的匹配问题。理想情况下，许多医疗机构应该参与匹配计划，以增加成功匹配的机会。然而，为了满足法律要求，当前系统使用复杂的基于策略的数据保护机制，其有效地排除了较小的医疗设施的参与。采用安全多方计算（MPC）技术提供了一种技术方法来满足对高度敏感的个人健康信息的数据保护要求，同时减少监管负担。结果如下：我们已经设计，实现，并基准SPIKE，一个安全的基于MPC的隐私保护KEP计算的解决方案，找到匹配的捐助者-接受者对图结构。SPIKE在不到4分钟的时间内匹配了40对长度为2的循环，在运行时的性能比以前的最先进协议高出400倍，同时提供了医学上更强大的解决方案。结论：我们展示了如何解决KEP在一个强大的和隐私保护的方式实现实际的性能。MPC技术的使用在技术层面上满足了许多数据保护要求，允许较小的医疗保健提供者直接参与肾脏交换，减少了法律程序。
2022-04-21 cs.CR q-bio.QM
Does Proprietary Software Still Offer Protection of Intellectual Property in the Age of Machine Learning? -- A Case Study using Dual Energy CT Data
FAU Erlangen-Nürnberg（埃尔朗根-纽伦堡大学）；McGill University（麦吉尔大学）
在医疗图像处理领域，医疗设备制造商在许多情况下通过仅运送编译的软件来保护他们的知识产权，编译的软件即可以被执行但难以被潜在攻击者理解的二进制代码。在本文中，我们调查如何以及这个过程是能够保护图像处理算法。特别是，我们研究是否可以通过机器学习方法对来自双能CT数据的单能量图像和碘图的计算进行逆向工程。我们的研究结果表明，两者都可以近似使用只有一个单一的切片图像作为训练数据在一个非常高的精度与结构相似性大于0.98在所有调查的情况下。
2021-12-06 cs.CR cs.CV cs.CY
A robust watermarking algorithm for medical images
综合医疗保健系统需要在医疗中心之间传输医学图像。这种图像中水印的存在对于患者隐私保护已经变得重要。然而，一些重要的问题应该考虑，而水印的图像。在这些问题中，水印应该对攻击具有鲁棒性，并且不影响图像的质量。提出了一种基于鲁棒动态密码的水印算法。这种方法是处理数字图像的每一个像素，而不仅仅是非感兴趣区域的像素，同时它保留了图像的细节。所提出的方法的性能进行评估，使用几个性能指标，如均方误差（MSE），平均绝对误差（MAE），峰值信噪比（PSNR），通用图像质量指数（UIQI）和结构相似性指数（SSIM）。所提出的方法已经过测试，并在检测改变图像的故意攻击，特别是最重要的诊断信息的鲁棒性。
2021-10-17 cs.CR
Decentralized Collaborative Learning with Probabilistic Data Protection
IBM Research（IBM研究院）
我们讨论了区块链作为一个协作价值共同创造平台的未来方向，在这个平台中，网络参与者可以获得额外的见解，这些见解在与其他人断开连接时无法访问。因此，我们提出了一个分散的机器学习框架，该框架经过精心设计，以尊重民主，多样性和隐私的价值观。具体来说，我们提出了一个联邦多任务学习框架，集成了隐私保护的动态共识算法。我们表明，一个特定的网络拓扑称为扩展图显着提高了全球共识建设的可扩展性。最后，我们对开放的问题提出一些意见。
2022-08-24 cs.CR cs.LG
An Embarrassingly Simple Approach for Intellectual Property Rights Protection on Recurrent Neural Networks
Universiti Malaya（马来亚大学）
利用深度学习模型，提供自然语言处理（NLP）解决方案作为机器学习即服务（MLaaS）的一部分，已经产生了可观的收入。与此同时，众所周知，这些有利可图的深度模型的创建并非微不足道。因此，保护这些发明的知识产权（IPR）不被滥用、窃取和剽窃至关重要。本文提出了一种实用的方法来保护循环神经网络（RNN）的知识产权，而没有现有知识产权解决方案的所有花哨。特别地，我们引入了看门人的概念，类似于RNN架构中的递归性质来嵌入密钥。此外，我们设计的模型训练方案的方式，使受保护的RNN模型将保持其原始性能，如果一个真正的密钥。大量的实验表明，我们的保护方案是强大的，有效的防止歧义和删除攻击的白盒和黑盒保护方案对不同的RNN变体。代码可在https://github.com/zhiqin1998/RecurrentIPR上获得
2022-10-04 cs.CL cs.CR
A Secure Electronic Prescription System Using Steganography with Encryption Key Implementation
近年来，由于信息和通信技术的引入，医疗保健得到了重大改善，电子医疗处方是其中一个受益领域。在保护医疗保健信息的整体背景下，处方数据的隐私需要特别处理。本文提出了一个电子处方系统，解决了在药物处方过程中的处方隐私保护的一些挑战。所开发的系统使用扩频图像隐写算法与高级加密标准（AES）的关键实现，提供一个安全的方式提供医疗处方给有关各方。编码和解码的架构是用电子健康记录实现的。所使用的软件开发工具是PHP和MySQL数据库管理系统，分别用于前端和后端数据管理。设计的系统演示表明，隐写术和密码技术在医疗处方的协同组合能够提供一个安全的传输，以适当地为患者的医疗处方提供安全。
2015-02-04 cs.CR cs.CY cs.MM
A Novel Approach for Protection of Accounts' Names against Hackers Combining Cluster Analysis and Chaotic Theory
20世纪末和21世纪初，随着计算机等智能设备的飞速发展和进步，人们的现实生活出现了便利化的趋势。基于人工智能的算法基本上是软件的一部分。通过互联网或局域网传输的信息不断增加，预计数据的保护已经得到确保。本文的目的是揭示由于黑客攻击而导致的用户帐户的假名。将机器学习分析（特别是聚类分析）与混沌理论相结合，计算出了一个给定的账户为假或为真的概率。可疑帐户将被用作一种模式，并通过分类技术形成聚类，该聚类具有该名称为假的相应概率。这项调查有两个主要目的：第一，确定是否存在类似用户名出现的趋势，这是在创建新帐户时出现的。第二，如果两种类型的帐户以相同的速度生成，则检测虚假用户名并将其与真实用户名区分开。这些安全系统应用于对用户账户数据安全有严格要求的不同领域。例如，它们可以用于在线投票，通过查询来研究社会舆论，保护给定系统中不同用户帐户中的信息等。
2019-03-08 cs.CR
JPEG Compressed Images Can Bypass Protections Against AI Editing
University of Maryland, College Park（马里兰大学帕克分校）
本文发现防AI编辑的不可感知扰动对JPEG压缩不鲁棒，揭示了其作为常见图像格式的关键弱点，并呼吁开发更具鲁棒性的替代图像保护方法。
2023-04-07 cs.CR cs.CV cs.LG
Dataset Distillation for Medical Dataset Sharing
Hokkaido University（北海道大学）
由于隐私保护问题以及传输和存储许多高分辨率医学图像的巨额成本，医院之间共享医疗数据集具有挑战性。然而，数据集蒸馏可以合成一个小的数据集，使得在其上训练的模型实现与原始大数据集相当的性能，这显示出解决现有医疗共享问题的潜力。因此，本文提出了一种新的数据集蒸馏为基础的医疗数据集共享方法。在COVID-19胸部X射线图像数据集上的实验结果表明，即使使用稀缺的匿名胸部X射线图像，我们的方法也可以实现高检测性能。
2022-12-24 cs.CR cs.CV cs.LG
ELSA: Efficient Long-Term Secure Storage of Large Datasets
如今，越来越多的信息以数字方式生成、交换和存储。这还包括长期存在和高度敏感信息（例如，电子健康记录、政府文件），其完整性和机密性必须在几十年甚至几个世纪内得到保护。虽然有大量基于加密的数据保护方案，但只有少数是为长期保护而设计的。最近，Braun等人（AsiaCCS'17）提出了第一个长期保护方案，提供可更新的完整性保护和信息理论机密性保护。然而，他们的计划的计算和存储成本显着增加存储的数据项的数量。结果，他们的方案似乎仅适合于保护具有少量相对大的数据项的数据库，而不适合于保存大量相对小的数据项的数据库（例如，医疗记录数据库）。在这项工作中，我们提出了一个解决方案，有效的长期完整性和机密性保护的大型数据集组成的相对较小的数据项。首先，我们构造了一个可更新的向量承诺方案，该方案在选择性解除承诺下是信息隐藏的。然后，我们结合这个计划与可更新的时间戳和信息理论上安全的秘密共享。所得到的解决方案仅需要单个时间戳来保护数据集，而现有技术需要与数据项的数量成线性的多个时间戳。我们实施了我们的解决方案，并在一个场景中测量了它的性能，其中12000个数据项在100年的时间跨度内被聚合、存储、保护和验证。我们的测量结果表明，我们的新解决方案完成此评估方案的速度比最先进的水平快一个数量级。
2018-10-28 cs.CR
Using Trusted Execution Environments for Secure Stream Processing of Medical Data
在第三方不受信任的云上处理敏感数据（例如由身体传感器产生的数据）尤其具有挑战性，同时又不损害生成数据的用户的隐私。通常，这些传感器以流方式生成大量连续数据。即使在强大的对抗模型下，也必须有效和安全地处理如此大量的数据。最近在大众市场推出的具有可信执行环境（TEE）的消费级处理器（例如英特尔SGX）为实施克服不太灵活的方法（例如基于同态加密的方法）的解决方案铺平了道路。我们展示了一个构建在英特尔SGX之上的安全流处理系统，以展示这种方法在专门适用于医疗数据的系统中的可行性。我们设计并完全实现了一个原型系统，我们评估与几个现实的数据集。我们的实验结果表明，与vanilla Spark相比，该系统实现了适度的开销，同时在强大的攻击者和威胁模型下提供了额外的保护保证。
2019-06-17 cs.CR
CLIOPATRA: Extracting Private Information from LLM Insights
University College London（伦敦大学学院）；University of California, Riverside（加州大学河滨分校）；Google Research（谷歌研究）
提出CLIOPATRA攻击，通过注入恶意聊天突破多层启发式隐私保护，从LLM洞察系统中提取目标用户敏感信息，在合成医疗聊天中高达65%成功率且几乎100%精确。
2026-10-13 cs.CR
Security measurement of a medical communication scheme based on chaos and DNA coding
为了对彩色DICOM图像中的敏感信息进行加密，提出了一种基于混沌和DNA编码的医学隐私保护方案（MPPS），该方案利用两个混沌系统耦合产生密码原语。MPPS的设计者根据一些经验分析和实验结果，声称它可以抵抗选择明文攻击和其他一些经典的攻击模型。但这种说法是没有根据的。在本文中，我们研究了MPPS和DNA编码的基本性质，然后我们提出了一个有效的选择明文攻击，以揭示其等价的秘密密钥。该攻击只需要$\lceil \log_{256}(3\cdot M\cdot N)\rceil+4$对选择的普通图像和相应的密码图像，其中$M \times N$和"3”分别是RGB彩色图像的大小和颜色通道的数量。此外，从现代密码学的角度对其他声称的优势提出了质疑。理论和实验结果都支持所提出的攻击和其他报告的安全故障的效率。密码分析结果将促进DNA编码在多媒体隐私数据保护中的正确应用，特别是在DICOM图像中。
2022-06-20 cs.CR
Enhanced cast-128 with adaptive s-box optimization via neural networks for image protection
本文提出一种基于混沌LSM生成动态S盒的增强CAST-128算法，以提升图像加密的随机性和抗攻击能力，显著优于原始CAST-128。
2025-09-09 cs.CR
PrivATE: Differentially Private Average Treatment Effect Estimation for Observational Data
Zhejiang University（浙江大学）；University of Virginia（弗吉尼亚大学）；University of North Carolina at Greensboro（北卡罗来纳大学格林斯伯勒分校）；Xi’an Jiaotong University（西安交通大学）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；Peking University（北京大学）；Hangzhou Dianzi University（杭州电子科技大学）
PrivATE是一种基于差分隐私的平均治疗效应估计框架，通过自适应匹配限制平衡噪声误差与匹配误差，提升估计精度。
2025-12-16 cs.CR
Blind Robust 3-D Mesh Watermarking based on Mesh Saliency and QIM quantization for Copyright Protection
由于最近的需求的3-D模型在几个应用程序，如医学成像，视频游戏等，实现3-D网格水印方案，旨在保护版权的必要性已经大大增加。大多数鲁棒三维水印技术本质上都集中在对攻击的鲁棒性上，而这些技术的不可感知性仍然是一个现实问题。在此背景下，提出了一种基于网格显著性和量化指数调制（QIM）的版权保护盲鲁棒三维网格水印方法。水印嵌入通过量化的顶点范数的3-D网格使用QIM计划，因为它提供了一个很好的鲁棒性容量折衷。顶点的选择由网格显著性调整，以实现水印鲁棒性并避免视觉失真。实验结果表明，该方案具有较高的不可感知性，同时确保了良好的鲁棒性，对广泛的攻击，包括加性噪声，相似性变换，平滑，量化等。
2019-10-28 cs.CR cs.MM
FIDELIS: Blockchain-Enabled Protection Against Poisoning Attacks in Federated Learning
Department of Computer Science Saint Mary's College of California（计算机科学系圣玛丽学院）；Department of Computer Science North Carolina State University（计算机科学系北卡罗来纳州立大学）；Department of Computer Science Boise State University（计算机科学系博伊州立大学）
本文提出FIDELIS，一种基于区块链的联邦学习中毒检测框架，通过去中心化全局服务器角色并引入经共识验证的判别模型来检测模型更新中的数据中毒，实现对攻击的鲁棒性和可扩展性。
2025-08-11 cs.AI cs.CR
A Robust Blind 3-D Mesh Watermarking technique based on SCS quantization and mesh Saliency for Copyright Protection
由于最近在诸如视频游戏、医学成像、电影特效制作、计算机辅助设计（CAD）等广泛应用中对3-D网格的需求，在过去十年中，实现旨在保护版权的3-D网格水印方案的必要性已经增加。目前，大多数的鲁棒三维水印技术主要集中在对攻击的鲁棒性上，而这些技术的不可见性仍然是一个严峻的挑战。在此背景下，提出了一种基于网格显著性和标量Costa方案（SCS）的版权保护盲鲁棒三维网格水印方法。水印的嵌入是通过量化的顶点范数的三维网格SCS方案使用顶点法线范数作为同步原语。这些顶点的选择是基于3-D网格的显着性，以实现水印的鲁棒性，同时确保高不可感知性。实验结果表明，与其他方法相比，该方法具有较高的不可感知性，同时对相似变换、加噪、量化、平滑、元素重排等常见攻击具有较好的鲁棒性。
2019-10-24 cs.CR cs.GR
Die Verarbeitung medizinischer Forschungsdaten ohne datenschutzrechtliche Einwilligung: Der Korridor zwischen Anonymisierung und der Forschungsausnahme in Österreich
本文分析奥地利在GDPR框架下未经同意处理医学研究数据的法律路径，探讨匿名化与研究例外之间的走廊及其相互作用。
2025-09-02 cs.CR cs.CY
Vision Through the Veil: Differential Privacy in Federated Learning for Medical Image Classification
Indian Institute of Technology Roorkee（印度理工学院鲁尔基分校）
本研究提出一种新颖的差分隐私联邦学习模型用于医学图像分类，证明通过策略性校准隐私预算，可在维持稳健分类性能的同时提供实质性隐私保护。
2023-06-30 cs.CR cs.LG
Medical Image Data Provenance for Medical Cyber-Physical System
ANSK School of Information Technology（ANSK信息技术学院）；Indian Institute of Technology Delhi（印度理工学院德里分校）
本研究提出利用水印技术将设备指纹（DFP）嵌入移动成像设备捕获的原始图像中，并引入鲁棒的远程验证方法，有效确保了医疗信息物理系统等互联环境中医学图像数据的溯源、真实性与完整性。
2024-03-22 cs.CR cs.CV
Homomorphic Encryption and Federated Learning based Privacy-Preserving CNN Training: COVID-19 Detection Use-Case
University of Stavanger（斯塔万格大学）；Virginia Commonwealth University（弗吉尼亚联邦大学）；Old Dominion University（奥尔多明尼昂大学）；Norwegian University of Science and Technology（挪威科技大学）
医疗数据在数据隐私和安全问题方面通常非常敏感。联邦学习是机器学习技术的一种，已经开始用于提高医疗数据的隐私性和安全性。在联邦学习中，训练数据分布在多台机器上，学习过程以协作方式执行。针对深度学习（DL）模型的隐私攻击主要是为了获取敏感信息。因此，应该保护DL模型本身免受对抗攻击，特别是对于使用医疗数据的应用。针对该问题的解决方案之一是基于同态加密的模型保护以防止对手合作者。提出了一种基于同态加密的隐私保护医疗数据联邦学习算法。该算法使用安全的多方计算协议来保护深度学习模型免受攻击。在这项研究中，所提出的算法使用真实世界的医疗数据集进行评估的模型性能。
2022-04-16 cs.CR cs.LG
Medical Unlearnable Examples: Securing Medical Data from Unauthorized Training via Sparsity-Aware Local Masking
Northeastern University（东北大学）；Lehigh University（理海大学）；Drexel University（卓克索大学）
针对医学数据共享中未经授权训练的风险，本文提出稀疏感知局部掩蔽方法，通过选择性扰动关键像素区域而非整幅图像，利用医学图像稀疏性高效阻止模型训练，实验证明其优于现有数据保护方法。
2024-07-07 cs.CR cs.CV cs.LG
Federated Learning for Cross-Domain Data Privacy: A Distributed Approach to Secure Collaboration
Cornell University（康奈尔大学）；University of Minnesota（明尼苏达大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；University of California, Berkeley（加利福尼亚大学伯克利分校）；Illinois Institute of Technology（伊利诺伊理工大学）
本文提出一种基于联邦学习的分布式数据隐私保护框架，通过仅共享模型参数实现安全的跨域数据协作，实验证明其在医疗、金融等多域环境中兼具高模型性能与隐私保护能力。
2025-03-31 cs.CR cs.LG
Cryptanalysis on Secure ECC based Mutual Authentication Protocol for Cloud-Assisted TMIS
本文对Kumar等人提出的基于ECC的云辅助TMIS双向认证协议进行密码分析，发现其存在健康报告泄露和机密性缺陷。
2023-06-13 cs.CR cs.IT math.IT
Privacy-preserving medical image analysis
Technical University of Munich（慕尼黑工业大学）；Imperial College London（帝国理工学院）；Arkhn；INRIA（法国国家信息与自动化研究所）；ENS（巴黎高等师范学院）；PSL University（巴黎文理研究大学）；University of Oxford（牛津大学）；Universidade Federal de Campina Grande（坎皮纳格兰德联邦大学）；Cape Privacy
人工智能在医学和医疗保健中的应用已经在多个领域取得了成功的临床应用。必须解决此类系统中数据使用与隐私保护要求之间的冲突，以获得最佳结果并遵守道德和法律规定。这需要创新的解决方案，如隐私保护机器学习（PPML）。我们提出了PriMIA（隐私保护医学图像分析），一个软件框架，专为PPML在医学成像。在现实生活中的案例研究中，我们展示了一个安全聚合的联邦学习模型的分类性能显着优于人类专家对看不见的数据集。此外，我们还展示了一个用于端到端加密诊断的推理即服务场景，其中既不显示数据也不显示模型。最后，我们经验评估框架的安全性对基于梯度的模型反演攻击，并证明没有可用的信息可以从模型中恢复。
2020-12-10 cs.CR cs.CV cs.LG
Differentially Private Regression for Discrete-Time Survival Analysis
Nanyang Technological University（南洋理工大学）
在生存分析中，回归模型用于了解解释变量的影响（例如，年龄、性别、体重等）到生存概率。然而，对于医疗数据等敏感的生存数据，当使用医疗数据来拟合回归模型时，人们对数据集中个人的隐私存在严重担忧。最接近的工作，解决这种隐私问题的工作是Cox回归的线性项目的原始数据到一个较低的维度空间。然而，这种方法的缺点是，这种投影没有正式的隐私保证。在这项工作中，我们的目标是提出解决方案的回归问题的生存分析与保护的差分隐私，这是一个黄金标准的隐私保护在数据隐私研究。为此，我们扩展了输出扰动和目标扰动的方法，最初提出的保护差分隐私的经验风险最小化（ERM）问题。此外，我们还提出了一种新的抽样方法的基础上的马尔可夫链蒙特卡罗（MCMC）方法，以实际保证差分隐私更好的准确性。我们表明，我们提出的方法实现了良好的准确性相比，非私人的结果，同时保证差分隐私的私人数据集中的个人。
2017-08-25 cs.CR cs.DB cs.LG
Bringing the Algorithms to the Data -- Secure Distributed Medical Analytics using the Personal Health Train (PHT-meDIC)
University Hospital Tübingen（图宾根大学医院）；University of Tübingen（图宾根大学）
对数据隐私和安全性的需求-通过日益严格的数据保护法规强制执行-使得医疗保健数据难以用于机器学习。特别是，不同医院之间的数据传输通常是不允许的，因此跨站点汇集数据不是一种选择。在GO-FAIR倡议中提出的个人健康训练（PHT）范例实现了一种“数据算法"范例，确保可以访问分布式数据进行分析，而无需传输任何敏感数据。我们提出PHT-medic，一个高效部署的PHT概念的开源实现。集装箱化使我们能够以安全和可扩展的方式在多个站点轻松部署复杂的数据分析管道（例如基因组学，图像分析）。我们将讨论基本的技术概念、安全模型和治理流程。该实现已成功应用于大规模数据的分布式分析，包括深度神经网络在医学图像数据中的应用。
2022-12-07 cs.CR cs.CY cs.DC
Position: 3D Gaussian Splatting Watermarking Should Be Scenario-Driven and Threat-Model Explicit
University of Maryland, College Park, MD, United States（马里兰大学学院公园分校）
本文主张3D资产水印技术应基于场景驱动和威胁模型明确，以提升知识产权保护效果。
2026-02-01 cs.CR cs.LG
Large Language Model Empowered Privacy-Protected Framework for PHI Annotation in Clinical Notes
Emory University（埃默里大学）；University of Chicago（芝加哥大学）；University of Georgia（佐治亚大学）；Nell Hodgson Woodruff School of Nursing（内尔·霍奇森·伍德拉夫护理学院）
针对临床笔记去标识化中泛化性差及LLM隐私风险与高成本问题，提出LPPA框架，通过本地合成数据微调LLM，实现高准确度PHI标注与隐私保护。
2025-04-22 cs.AI cs.CR cs.LG
Protect and Extend -- Using GANs for Synthetic Data Generation of Time-Series Medical Records
University of Applied Sciences Hamm-Lippstadt（哈姆-利普施塔特应用科学大学）；TU Berlin（柏林工业大学）；German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）
本文比较多种基于 GAN 的合成数据生成模型，利用预测建模、自相关、分布分析和成员推理攻击评估时序痴呆医疗记录的生成质量与隐私风险，发现 PPGAN 在保持可接受 QoG 的同时隐私保护最优。
2024-03-01 cs.AI cs.CR cs.LG
