Samsung удалит медицинские данные пользователей, если они не разрешат использовать эту информацию для обучения ИИ
Samsung начала уведомлять пользователей Samsung Health о том, что им необходимо дать согласие на использование их личных медицинских данных для обучения новых моделей искусственного интеллекта. В противном случае владельцы рискуют потерять эти данные навсегда.
Интероперабельность медданных: почему один биомаркер — это не один код
Эта статья — про то, как я проектировал референсную архитектуру для приведения лабораторных данных к LOINC (Logical Observation Identifiers Names and Codes — международный справочник кодов лабораторных и клинических показателей) и UCUM (Unified Code for Units of Measure — стандарт машиночитаемого кодирования единиц измерения), и что понял по дороге.Сразу оговорюсь: это архитектура на бумаге — ADR, схемы и разобранные примеры в репозитории, а не развёрнутый в проде сервис. Боевой нагрузкой пока не проверена.Все решают одну проблему заново
Медицина под ударом: как предотвратить утечки данных
Привет, Хабр! Сегодня хотим обсудить утечки информации, пожалуй, в одной из самых чувствительных для человека отраслей — здравоохранении. Ведь здесь хранятся не просто персональные данные, а сведения, касающиеся глубоко личных аспектов жизни — диагнозы, регулярно выписываемые лекарства, результаты анализов и многое другое. Попади эти данные не в те руки, и жизнь человека может стать заметно сложнее.Проблематика
Безопасная AI-управляемая система раннего выявления для анализа медицинских данных и диагностики
Ключевые моментыУзнайте, как интеграция AI с медицинскими стандартами данных, такими как Health Level Seven (HL7) и Fast Healthcare Interoperability Resources (FHIR), может преобразить анализ медицинских данных и диагностику, используя архитектуры, включающие методы защиты конфиденциальности.Предлагаемая архитектура, состоящая из восьми взаимосвязанных уровней, учитывает ключевые аспекты конфиденциальности и включает компоненты для защищённого хранения данных, безопасных вычислений, AI-моделирования, а также управления и соответствия требованиям.
МРТ для DataScience. Часть 8
Продолжаем разбираться со особенностями МРТ-данных для обучения нейронных сетей. Содержание и первые части цикла статей здесь. 8. Некоторые подходы к препроцессингу и аугментации данных8.1. Выравнивание распределений и другие гистограммные методыВыравнивание распределений широко применяется при обработке обычных изображений. Однако для них используется единая шкала значений от 0 до 255. МРТ-данные имеют каждое свою шкалу, значения которых порой достигают десятков тысяч. Это сильно затрудняет применение стандартных методов.
МРТ для DataScience. Часть 7
Продолжаем разбираться со особенностями МРТ-данных для обучения нейронных сетей. Содержание и первые части цикла статей здесь. 7. Задача выбора нужной серии из исходного набора данных7.1. Постановка задачи
МРТ для DataScience. Часть 6
Продолжаем разбираться со особенностями МРТ-данных для обучения нейронных сетей. Содержание и первые части цикла статей здесь. 6. Некоторые библиотеки для работы с МРТ-изображениямиОсновной акцент при рассмотрении всех аспектов работы с МРТ-изображениями делается на данных в формате DICOM, которые создаются непосредственно при проведении исследования на МР-томографе, а, значит, не содержат неизвестных искажений от применения различных преобразований.
МРТ для DataScience. Часть 5.2
Продолжаем разбираться со особенностями МРТ-данных для обучения нейронных сетей. Содержание и первые части цикла статей здесь. 5.5. Размерности серий и их регистрацияПодводя итоги рассмотренных серий:Каждая анатомическая серия представляет собой 3-мерный объем, содержащий набор слайсов одинакового размера. В разных исследованиях может использоваться разная матрица, определяющая высоту и ширину каждого слайса, и разное количество слайсов.
