[发明专利]基于用于开发人工智能工具的受试者数据的隐私保护计算

说明书

本公开涉及用于隐私保护计算的技术，以保护受试者的隐私，同时将所述受试者的数据用于次要目的，诸如训练和部署人工智能工具。特别地，各方面涉及：在本地服务器处接收关于第一受试者的受试者数据；通过所述本地服务器对所述受试者数据执行去识别化操作、匿名化操作或两者；向远程服务器发送所述受试者数据；从所述远程服务器接收生产模型，所述生产模型包括部分地从所述经处理受试者数据导出的参数；在所述本地服务器处接收关于第二受试者的后续数据；通过所述本地服务器将所述后续数据输入到所述生产模型中，以分析所述后续数据，并从对所述后续数据的分析来生成推断或预测；以及通过所述本地服务器向计算设备发送所述推断或所述预测。

相关申请的交叉引用

本申请要求于2020年11月10日提交的美国临时申请号63/111,993的权益和优先权，该美国临时申请出于所有目的通过引用以其整体并入本文。

技术领域

本公开涉及数字化和个性化医疗保健，并且尤其涉及用于隐私保护计算的技术，以保护受试者的隐私，同时将受试者的数据用于次要目的，诸如训练和部署人工智能工具。

背景技术

现代计算范式(包括云计算、数据并行集群计算和高性能计算)结合广泛可用的各种机器学习和深度学习算法架构，创建了一个环境，其中如果有足够的数据可用于适当优化底层算法，则可以开发大量的人工智能(AI)应用程序来解决几乎所有行业的问题。现在很明显，访问数据是AI应用程序开发的主要障碍。事实上，在很多行业中，有必要使用来自各种来源的数据，以创建稳健、可泛化且无偏见的AI。一个具体的挑战是，一般来说，数据所有者通常不能或不会共享数据或允许数据脱离他们的控制。这是可以理解的，因为数据通常包含高度敏感的私人和/或个人数据，并且可能以难以或不可能共享的方式被监管。这些挑战在医疗保健AI的开发中尤其难以克服。

在医疗保健AI领域，正在开发数据驱动的技术解决方案，以进一步实现医疗保健的个性化，同时降低成本。医疗保健提供商正在创新解决方案，以自动化并且精简分析受试者数据以确定医学预测的过程。机器学习(ML)技术可用于很多与医疗保健相关的预测，诸如疾病诊断和预后以及预测治疗效果。由于医疗数据通常包含从其进行生成的受试者的私人/身份数据，因此政府法规(例如，健康保险流通与责任法案(HIPAA)、“良好实践”质量指南和法规(GxP)以及一般数据保护法规(GDPR)合规性成为医疗保健提供商寻求针对医疗分析的机器学习的独特挑战。训练ML模型可能涉及大量数据，因此很难访问足够量的去识别化和/或匿名化数据来训练有效的ML模型。因此，需要在合规的软件平台方面取得进步，以提供准确的医疗预测，同时确保受保护的医疗保健信息的机密性、可用性和完整性。

发明内容

在各种实施例中，提供了一种计算机实现的方法，其包括：从与第一受试者相关联的第一计算设备接收关于第一受试者的受试者数据；对受试者数据执行去识别化操作、匿名化操作或两者，以生成经处理受试者数据；将经处理受试者数据存储在本地云服务器可访问的经处理数据存储中；向远程云服务器发送批量数据，该批量数据包括经处理受试者数据；从远程云服务器接收生产模型，生产模型包括部分地从经处理受试者数据导出的参数；从与第二受试者相关联的第二计算设备接收关于第二受试者的后续数据；将后续数据输入到生产模型中，以分析后续数据，并从对后续数据的分析生成推断或预测；以及向第二计算设备、第三计算设备或两者发送该推断或预测，以供在由第二计算设备、第三计算设备或它们的组合执行的一个或多个操作中使用。

在一些实施例中，本地云服务器在物理上位于与受试者相同的地理区域中。

在一些实施例中，相同的地理区域为相同的国家。

在一些实施例中，受试者数据为包括可单独识别的健康信息的医疗保健数据，并且后续数据为包括可单独识别的健康信息的后续医疗保健数据。

在一些实施例中，相同的地理区域共同地共享关于可单独识别的健康信息的使用和存储的一组数据规定。