量化基础模型脑部 MRI 表征中的隐私风险

预训练表征越来越多地被用于在不暴露原始扫描图像的情况下共享和复用医学影像信息，但这些表征保留了多少患者特异性信息尚不明确。我们针对脑部磁共振成像（MRI）研究这一问题，在 OASIS-2 和 MIRIAD 两个纵向 T1 加权数据集上，评估了五个参数冻结的预训练编码器，涵盖不同的架构、预训练目标和训练领域。在假设攻击者能够访问已发布的嵌入向量、相应的公开编码器以及辅助 MRI 扫描图像的攻击者模型下，我们评估了患者关联和敏感属性推断风险。在所评估的表征中，我们观察到大量受试者特异性信息：尽管编码器训练期间未设置身份识别目标，风险最高的表征在 MIRIAD 上的首位匹配患者关联准确率仍高达 99%，在 OASIS-2 上则超过 90%。我们进一步表明，已发布的嵌入向量保留了人口统计学属性信息，对记录性别的预测在 OASIS-2 和 MIRIAD 上的平衡准确率分别达到 90.9% 和 95.5%。总体而言，我们的结果表明，仅将原始脑部 MRI 替换为学习得到的嵌入向量，并不能消除患者关联或属性推断风险，因此单凭这一做法不足以确保匿名性。