必須解決這些數據管理、分析和算法 IP 問題，才能實現改善健康結果、改善患者體驗和降低成本的三重目標。 機密計算可能是解決方案。
患者數據隱私問題
確保患者數據隱私的問題在于，我們要分析的數據通常位于跨越地理邊界并且對保護個人健康信息具有不同監管要求的眾多組織中。 將這些數據移動到一個中心位置進行分析會帶來一系列額外的挑戰，例如數據復制、去標識化、同步和 IP 保護，這些都會增加成本和復雜性，從而阻礙了許多此類項目的啟動。
理想情況下，有一種方法可以分析數據所在的位置，保護數據的隱私和 IP 的安全性，同時消除在中心位置復制源數據的成本和復雜性。 進入由機密計算支持的多方分析。
機密計算：
雖然業界擁有一套強大的安全控制來保護靜態數據（例如加密）和傳輸中的數據（例如 TLS/傳輸層安全），但保護使用中的數據（即，當它在內存中運行時） ) 一直存在差距。 根據 機密計算聯盟 ，機密計算 “……通過在基于硬件的可信執行環境中執行計算來保護正在使用的數據。 這些安全且隔離的環境可防止在使用時未經授權訪問或修改應用程序和數據，從而為管理敏感和受監管數據的組織增加安全保障。”
業界開始出現的一種模式是可信執行環境 (TEE) 是在由數據集所有者控制/維護的環境中創建的。 解決方案提供商創建的應用程序或算法被加密（在容器或虛擬機中），然后通過加密通道發送到 TEE 以安全執行。 這樣，數據管家看不到算法，算法開發者看不到數據，只有派生出來的結果返回給數據集的所有者。
作為 機密計算聯盟 ，英特爾認識到處理敏感和受監管數據的挑戰。
醫療保健轉型：
我想簡要描述一下機密計算如何應用于當今醫療保健的三個示例，特別關注支持多方分析的示例：
示例 #1： 使用 BeeKeeper AI 加速醫療保健通用 AI 的開發
醫療保健 AI 市場受到 FDA 批準的可推廣算法數量有限的阻礙。 可推廣的 AI 算法需要訪問原始數據會引發隱私問題，因此僅驗證一個模型可能需要 36 個月到 5 年，成本高達 500 萬美元。 [SK1]
為了縮短周期并確保算法安全， BeeKeeperAI, Inc. 開發了一個基于英特爾® 技術的機密計算平臺，允許開發人員提交他們的算法。 然后將其容器化并帶到數據所有者的環境中。 一旦到達那里，它就會在安全的加密環境中運行數據，并生成一份機密報告，重要的是，數據和算法會被破壞。
BeeKeeperAI 已經使用該系統驗證了三種不同的臨床模型：血流動力學穩定性指數、COVID-19 檢測工具和糖尿病視網膜病變的治療分層工具。
Example #2 使用 Leidos 進行安全接觸者追蹤
Covid-19 強調需要一種更有效的方式來收集和傳輸公共衛生員工收集的接觸者追蹤數據。 使用區塊鏈技術安全地執行此操作是 MicrobeTrace Next 。
的合作成果 Leidos ，是一個數字公共衛生系統，通過自助服務儀表板將移動數據輸入與增強的數據可視化相結合。
為確保不共享個人身份信息 (PII)，所有 PII 均使用兩個區塊鏈密鑰進行保護。 使用這種基于賬本的加密方案，所有數據訪問和數據移動都是完全可審計和可追溯的，并且所有交易都是不可變的。 此外，使用基于角色的安全控制，與非司法管轄區用戶綁定的帳戶將無法選擇訪問 PII。
該系統可作為服務部署在區域或州級，使用現有端點，或與現場和遠程呼叫中心的硬件捆綁包一起部署。 它還具有網絡彈性，因為它可以處理不穩定的連接，或存儲數據，直到恢復斷開的連接。
該區塊鏈平臺依賴于英特爾至強可擴展處理器平臺核心的安全計算技術。
示例#3：提高西班牙醫院醫學成像 AI 模型的準確性
另一個與 COVID-19 相關的關于實現安全協作的重要性的示例以聯邦學習為中心，這是一種隱私保護技術，允許協作實體在不共享 PII 的情況下共享用于醫學圖像診斷的通用 AI 模型。 然而，這樣的算法僅與運行它的網絡和硬件的安全性、可靠性和性能一樣好。
去年，英特爾和思科與 Capgemini Engineering、Vodaphone Spain 和 Gilead 合作，以確保可靠和安全的計算和網絡，以允許三家西班牙醫院——Ramón y Cajal、12 de Octubre 和 Sant Pau——交流專家知識以增強 COVID- 19 診斷 。
Capgemini Engineering 致力于 AI 算法，Gilead 支持該項目以開發更好的預防和治療，Vodaphone Spain 提供連接，Cisco 為每家醫院提供服務器計算節點。 每個節點均由具有內置 AI 加速和安全功能的英特爾至強可擴展處理器提供支持。
每家醫院都在本地訓練其模型并將其發送到云端，中央服務器在云端聚合數據以不斷改進模型。 敏感的基礎數據或患者信息仍然無法被所有各方訪問，并且模型 IP 受到保護，再次使用英特爾安全技術。
概括：
機密計算支持隱私保護分布式計算，保護 AI 算法開發人員的 IP，無需昂貴且復雜的集中式方法，這些方法需要復制、同步、去識別、移動和存儲大型數據集。 我很高興看到這些功能將解鎖醫療保健、生命科學等領域的未來用例。
