De-identification of Brazilian Portuguese Clinical Records Using a Hybrid Pipeline with Local Language Models
تقدم هذه الورقة وتقيم مساراً هجيناً غير متصل بالإنترنت لإزالة تحديد الهوية من السجلات السريرية باللغة البرتغالية البرازيلية باستخدام نماذج لغوية محلية ذات أوزان مفتوحة ومرشحات قائمة على القواعد، مما يظهر استدعاءً عالياً واستقراراً على أجهزة متواضعة دون الحاجة إلى ضبط دقيق خاص بالمهمة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك محقق يحاول حل لغز ما، لكن الأدلة مخبأة داخل مكتبة ضخمة من الملاحظات الطبية للمرضى. هذه الملاحظات هي مناجم ذهب للأطباء والباحثين لأنها تروي القصة الكاملة لكيفية إصابة الناس بالأمراض وكيفية تعافيهم. ومع ذلك، فإن هذه القصص مليئة بالرموز السرية: الأسماء، العناوين، أرقام الهواتف، وبطاقات الهوية التي يمكن أن تكشف هوية المريض بدقة. في العصر الرقمي، مشاركة هذه الملاحظات مع أجهزة الكمبيوتر للعثور على الأنماط يشبه تسليم غريب خريطة لمنزلك؛ إنه مفيد للغاية للبحث، ولكنه يمثل خطرًا كبيرًا على الخصوصية. وهنا يأتي دور علم "إزالة الهوية" (de-identification). فكر في الأمر كأنه قلم تعديل تقني عالي الدقة يمسح المستند، ويجد كل رمز سري، ويغطيه بقلم تحديد أسود، تاركًا فقط القصة الطبية وراءه. التحدي يكمن في أن لغة البشر فوضوية، مليئة بالكلمات العامية، والأخطاء الإملائية، والسياقات الملتوية، مما يجعل من الصعب على أجهزة الكمبيوتر معرفة ما يجب إخفاؤه بالضبط دون مسح حقائق طبية مهمة عن طريق الخطأ.
الآن، تخيل أنك تريد القيام بهذا العمل التحقيقي، لكن لا يمكنك إرسال الملاحظات إلى كمبيوتر سحابي ضخم وقوي، لأن ذلك سيكون مثل إرسال مذكراتك السرية إلى شخص غريب. يجب أن تقوم بذلك في مكتبك الخاص، على جهاز كمبيوتر عادي، دون أي اتصال بالإنترنت. هذا هو بالضبط اللغز الذي سعى فريق من الباحثين من البرازيل لحله. لقد بنوا آلة ذكية مكونة من ثلاثة أجزاء تعمل مثل أمين مكتبة محلي فائق الذكاء. فبدلاً من الحاجة إلى كمبيوتر خارق أو قاعدة بيانات ضخمة من الإجابات المكتوبة مسبقًا، علموا نظامهم استخدام مزيج من قواعد مطابقة الأنماط البسيطة، وفلتر إحصائي يتجاهل النصوص المتكررة "النمطية" (مثل نماذج المستشفيات القياسية)، ونموذج ذكاء اصطناعي مفتوح المصدر وقوي يعمل مباشرة على أجهزتهم الخاصة. كان هدفهم هو معرفة ما إذا كان بإمكان فريقهم المحلي إخفاء أسرار المرضى بنفس جودة خدمات السحابة الكبيرة والمكلفة، دون مغادرة المبنى أبدًا.
وجد الباحثون أن نظامهم المحلي، غير المتصل بالإنترنت، يعمل بشكل جيد بشكل مفاجئ. لقد اختبروه على آلاف السجلات الطبية الاصطناعية ووجدوا أن أفضل نموذج ذكاء اصطناعي منفرد لديهم، وهو نموذج "Gemma"، نجح في إخفاء 99.2% من الأسماء والأرقام السرية التي كان من المفترض أن يجدها. وهذا يعد فوزًا كبيرًا للخصوصية، لأنه في هذه اللعبة، تفويت سر واحد حتى يعد كارثة، بينما إخفاء نص إضافي عن طريق الخطأ هو مجرد إزعاج طفيف. كان النظام بارعًا جدًا في عمله لدرجة أنه تفوق على طرق أخرى، بما في ذلك بعض الطرق التي تم تدريبها خصيصًا لهذه المهمة. والأفضل من ذلك، أن النظام كان ذكيًا بما يكفي للتعامل مع أخطائه. فأحيانًا، عندما ترتبك نماذج الذكاء الاصطناعي، تبدأ في تكرار نفس الجملة مرارًا وتكرارًا، مثل الأسطوانة المشروخة، مما قد يؤدي إلى تعطل الكمبيوتر. قام الباحثون ببناء "شبكة أمان" خاصة ترصد هذه الحلقات التكرارية فورًا، وتوقف التكرار، وتوجه الذكاء الاصطناعي عائدًا إلى المسار الصحيح، مما يضمن إتمام المهمة دون تجمد الكمبيوتر.
اكتشف الفريق أيضًا أنه يمكنهم جعل المهمة أسرع من خلال تجاهل الأجزاء المملة والمتكررة من الملاحظات الطبية التي تظهر في ملف معظم المرضى، مثل التعليمات القياسية أو العبارات الشائعة. فمن خلال تصفية هذه الأجزاء قبل أن ينظر إليها الذكاء الاصطناعي، وفروا الكثير من قدرة المعالجة. في الواقع، وجدوا في ملاحظات المستشفيات الحقيقية أن بإمكانهم تخطي ما يقرب من 12% من النص لأنه كان مجرد "نصوص نمطية" لا تحتوي على أي أسرار. وعندما جمعوا كل هذه القطع معًا — مطابق الأنماط، وفلتر النصوص النمطية، ومانع الحلقات التكرارية، والذكاء الاصطناعي الذكي — نجح النظام بأكمله في إخفاء 95.4% من الأسرار في مجموعة اختبار، بنتيجة تضاهي أفضل الأنظمة السحابية المتاحة اليوم.
ومع ذلك، يحرص الباحثون على القول إن هذا ليس عصا سحرية تحل كل شيء إلى الأبد. لقد اختبروا نظامهم بشكل أساسي على سجلات اصطناعية (مولدة بواسطة الكمبيوتر) ومجموعة محددة من الملاحظات الحقيقية التي لم تكن تحتوي على إجابات "معيارية ذهبية" موثقة بشريًا لكل سر. وبينما كانت النتائج واعدة للغاية وتظهر أن إزالة الهوية المحلية والخاصة أمر ممكن دون الحاجة لإرسال البيانات إلى السحابة، إلا أنهم اقترحوا أنه قبل أن تبدأ المستشفيات في استخدام هذا في الحياة الواقعية، فإنه يحتاج إلى الاختبار على مجموعة متنوعة أكبر بكثير من السجلات الحقيقية من أماكن مختلفة. كما وجدوا أن محاولة دمج نماذج ذكاء اصطناعي متعددة للتصويت على الإجابات لم تجعل النظام أفضل بكثير من استخدام نموذجهم الفردي الأفضل. في النهاية، تثبت هذه الورقة أنه مع المزيج الصحيح من القواعد البسيطة والذكاء الاصطناي المحلي الذكي، يمكن للمستشفيات الحفاظ على سلامة وخصوصية بيانات المرضى مباشرة على خوادمهم الخاصة، دون الحاجة إلى الاعتماد على عمالقة التكنولوجيا الخارجيين.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.