ROFI：基于深度学习的眼科体征保留可逆人脸匿名化框架在数字医疗中的突破与应用

《npj Digital Medicine》：ROFI: a deep learning-based ophthalmic sign-preserving and reversible patient face anonymizer

本文介绍了一种基于深度学习的眼科患者面部匿名化技术ROFI，该研究通过弱监督学习和神经身份转换技术，成功解决了眼科影像中患者隐私保护与疾病诊断特征保留难以兼顾的难题。研究显示ROFI在三个临床中心的验证中实现了超过98%的疾病特征保留准确率(k>0.90)，对11种眼病的诊断灵敏度达到100%，同时提供基于密钥的可逆恢复功能(相似度>98%)，为数字医疗时代的患者隐私保护提供了创新解决方案。

　　

在数字医疗时代，患者面部影像为眼科疾病诊断提供了便捷途径，尤其是对于斜视、眼睑下垂和甲状腺眼病(TED)等具有外部表现的眼病。然而，这些包含丰富生物识别信息的影像也带来了严重的隐私泄露风险。传统的隐私保护方法如马赛克处理、模糊化或简单裁剪眼部区域存在明显缺陷：高级人脸识别系统仍能从处理后图像中识别个体身份，而过度处理又会破坏诊断所需的临床体征。更为棘手的是，现有方法往往不可逆，限制了其在需要追溯历史病历进行长期随访和医疗审计中的应用。

针对这一挑战，上海第九人民医院等机构的研究团队在《npj Digital Medicine》上发表了题为"ROFI: a deep learning-based ophthalmic sign-preserving and reversible patient face anonymizer"的研究成果，提出了一种创新的眼科体征保留可逆面部匿名化框架。

研究团队采用了多项关键技术方法：基于弱监督学习的眼科体征检测器，仅使用图像级标签即可自动定位疾病相关区域；神经身份转换器，利用Transformer架构实现身份信息的可逆变换；特征增强网络(DA-Former)，确保生成图像的质量和临床可用性。研究纳入了三个临床中心的17,181名患者数据，包括上海第九人民医院(SNPH)的12,289名患者、中南大学湘雅医院眼科中心(ECXHCSU)的493名患者和武汉大学人民医院(RHWU)的79名患者。

ROFI有效保留眼科体征

研究团队评估了ROFI在保留眼科关键体征方面的表现，包括眼睑形状、虹膜形状、结膜异常(Conj-Dis)、泪器异常(LA-Dis)、眼睑异常(Eyelid-Dis)和虹膜异常(Iris-Dis)。在SNPH验证集上，ROFI实现了最低的关键点误差率，眼睑/虹膜关键点平均误差分别为1.53%/1.64%，显著优于马赛克处理(5.51%/12.36%)、AIGC(3.19%/3.79%)和面部交换(2.35%/4.16%)等方法。在外部验证集上，ROFI同样表现出色，体现了良好的泛化能力。

ROFI支持准确的临床诊断

在临床诊断评估中，ROFI在健康状态评估(是/否判断)中实现了三个验证集100%的灵敏度，显著优于其他方法。在疾病诊断任务中，ROFI在所有验证集的所有眼病诊断中均达到κ≥0.81，表明与原始图像的诊断结果具有极好的一致性。特别是在基底细胞癌(BCC)、结膜黑色素瘤(CM)和角膜白斑(CL)等疾病的诊断中，ROFI表现出色，而其他方法如Digital Mask在这些疾病上表现较差。

ROFI与医疗AI模型兼容性好

研究还评估了ROFI处理后的图像与医疗AI诊断模型的兼容性。使用ResNet50和ViT两种架构的诊断模型进行评估，ROFI均表现出与原始图像结果的高度一致性。在SNPH数据集上，使用ResNet50模型时，ROFI的κ值达到0.9077，显著优于当前最先进的面部隐私保护方法G2Face(κ=0.7257)。ROFI在接收者操作特征曲线下面积(AUROC)指标上也显著优于其他方法，表明其在保护隐私的同时最大限度地保留了诊断信息。

ROFI有效保护患者隐私并支持可逆性

在隐私保护效果评估中，ROFI在使用AdaCos和ArcFace两种人脸识别算法时，分别保护了96.54%和94.81%的图像，优于其他所有方法。传统的眼部裁剪方法仅能提供70%左右的保护率，凸显了ROFI在隐私保护方面的优势。重要的是，ROFI支持基于密钥的可逆恢复，恢复图像与原始图像的相似度超过98%，这一功能对于需要历史病历对比的长期随访(如TED激素治疗效果评估)至关重要。

模型架构与技术创新

ROFI框架通过多阶段流程实现隐私保护和准确性的双重目标。其核心包括眼科体征检测器、神经身份转换器、特征增强网络(DA-Former)和解码网络(Dec-Net)。眼科体征检测器采用弱监督学习策略，仅使用图像级健康状态标注即可自动定位疾病相关区域。神经身份转换器基于Transformer架构，通过自注意力机制改变生物识别信息。DA-Former模块负责修正特征替换可能产生的伪影，而Dec-Net则从低分辨率特征逐步解码生成高分辨率图像。

研究团队还开发了完整的学习目标函数，包括身份移除损失、身份恢复损失、外观恢复损失、错误恢复损失和照片真实感损失，确保模型在多个关键指标上达到最优平衡。通过对抗性攻击测试表明，ROFI具有良好的鲁棒性，即使在添加扰动噪声的情况下，攻击成功率仍低于5%。

研究意义与展望

ROFI的研究代表了数字医疗领域隐私保护技术的重要突破。其创新性在于首次实现了在保护患者面部身份信息的同时，完整保留对眼科诊断至关重要的疾病体征特征，并支持安全的可逆恢复功能。这一技术有望推动远程医疗的广泛应用，使患者能够安全传输具有临床价值的图像，同时促进多中心、符合隐私要求的大规模数据集构建，对于研究罕见疾病和训练稳健的AI模型具有重要意义。

尽管ROFI在三个临床中心的表现令人鼓舞，研究者也指出了其局限性，包括目前主要基于亚洲人群数据的验证，未来需要在其他种族群体中进行进一步评估。此外，将ROFI实际部署到医院信息系统(PACS和EMR)中仍面临技术和伦理挑战，需要建立完善的密钥管理和治理政策。

ROFI技术为数字医疗时代面临的隐私保护与临床效用之间的平衡问题提供了创新解决方案，为实现既有效又符合伦理的医疗服务奠定了基础。随着数字医疗作用的日益重要，类似ROFI这样的技术将在构建安全、高效的未来医疗生态系统中发挥不可或缺的作用。