La aplicación de la Inteligencia Artificial en el sector salud se enfrenta a la barrera fundamental de la privacidad de los datos del paciente, protegidos por normativas como el RGPD. Este proyecto aborda dicha tensión diseñando y evaluando una arquitectura para la provisión remota de servicios de inferencia clínica que garantiza la privacidad por diseño. La solución propuesta permite que los modelos predictivos operen sobre datos cifrados sin exponer la información del paciente. El análisis cuantitativo, derivado de 121 experimentos, demuestra que si bien la tecnología FHE preserva la precisión de los modelos con alta fidelidad, introduce una sobrecarga notable en la latencia de inferencia. Se concluye que la arquitectura es un paradigma válido y funcional, cuya aplicabilidad actual se limita a casos de uso asíncronos como pueden ser cribados o diagnósticos asistidos no urgentes.
Abstract:
The application of Artificial Intelligence in the healthcare sector faces the fundamental barrier of patient data privacy, protected by regulations such as the GDPR. This project addresses this tension by designing and evaluating an architecture for the remote provision of clinical inference services that guarantees privacy by design. The proposed solution allows predictive models to operate on encrypted data without exposing patient information. Quantitative analysis, derived from 121 experiments, shows that while FHE technology preserves the accuracy of models with high fidelity, it introduces a significant overhead in inference latency. It is concluded that the architecture is a valid and functional paradigm, whose current applicability is limited to asynchronous use cases such as screening or non-urgent assisted diagnoses.
La aplicación de la Inteligencia Artificial en el sector salud se enfrenta a la barrera fundamental de la privacidad de los datos del paciente, protegidos por normativas como el RGPD. Este proyecto aborda dicha tensión diseñando y evaluando una arquitectura para la provisión remota de servicios de inferencia clínica que garantiza la privacidad por diseño. La solución propuesta permite que los modelos predictivos operen sobre datos cifrados sin exponer la información del paciente. El análisis cuantitativo, derivado de 121 experimentos, demuestra que si bien la tecnología FHE preserva la precisión de los modelos con alta fidelidad, introduce una sobrecarga notable en la latencia de inferencia. Se concluye que la arquitectura es un paradigma válido y funcional, cuya aplicabilidad actual se limita a casos de uso asíncronos como pueden ser cribados o diagnósticos asistidos no urgentes.
Abstract:
The application of Artificial Intelligence in the healthcare sector faces the fundamental barrier of patient data privacy, protected by regulations such as the GDPR. This project addresses this tension by designing and evaluating an architecture for the remote provision of clinical inference services that guarantees privacy by design. The proposed solution allows predictive models to operate on encrypted data without exposing patient information. Quantitative analysis, derived from 121 experiments, shows that while FHE technology preserves the accuracy of models with high fidelity, it introduces a significant overhead in inference latency. It is concluded that the architecture is a valid and functional paradigm, whose current applicability is limited to asynchronous use cases such as screening or non-urgent assisted diagnoses. Read More
Related posts:
Aplicación de las Redes Neuronales Convolucionales para la Preservación de la Privacidad mediante Cifrado Homomórfico
Evaluación y estudio de la interpretabilidad de redes Kolmogorov-Arnold en la generación de datos tabulares sintéticos
Seguridad y privacidad en las redes 5g: una revisión sistemática de la literatura
Implementación de técnicas de inferencia casual basadas en redes neuronales para la estimación de efectos de tratamiento
Diseño de un sistema avanzado de recomendación médica mediante redes neuronales de grafos y el uso de modelos LLM
MLSecOps: diseño e implementación de una metodología de desarrollo continua segura de sistemas con inteligencia artificial