[論文レビュー] High performance on-demand de-identification of a petabyte-scale medical imaging data lake

Joseph Mesterhazy, Garrick Olson+1 more|arXiv (Cornell University)|Aug 4, 2020

Digital Radiography and Breast Imaging参考文献 15被引用数 7

ひとこと要約

本論文では、大規模な医療画像データレイク（ペタバイトスケール）向けに、分散コンピューティングと成熟したソフトウェアスタックを活用した、高パフォーマンスでクラウドベースのオンデマンド脱識別化システムを提示する。このソリューションにより、大規模な画像データセットの脱識別化が1分未塔で実現され、従来のオンプレミス手法を著しく上回る。

ABSTRACT

With the increase in Artificial Intelligence driven approaches, researchers are requesting unprecedented volumes of medical imaging data which far exceed the capacity of traditional on-premise client-server approaches for making the data research analysis-ready. We are making available a flexible solution for on-demand de-identification that combines the use of mature software technologies with modern cloud-based distributed computing techniques to enable faster turnaround in medical imaging research. The solution is part of a broader platform that supports a secure high performance clinical data science platform.

研究の動機と目的

• AI駆動の研究において、大規模で研究用に準備された医療画像データの需要を満たすため。
• ペタバイトスケールのデータワークロードを処理する際、従来のオンプレミスクライアント・サーバー型アーキテクチャの限界を克服するため。
• 迅速で安全かつオンデマンドの医療画像データの脱識別化を可能にし、臨床データサイエンスの加速を図るため。
• 脱識別化を、アクセス制御と監査ログを備えた安全で高パフォーマンスな臨床データサイエンスプラットフォーム全体に統合するため。

提案手法

• 本システムは、オンデマンドで大規模な医療画像データを処理できるクラウドネイティブで分散型のコンピューティングアーキテクチャを採用している。
• Apache Spark やセキュアなデータパイプラインといった成熟したソフトウェア技術を活用し、信頼性とスケーラビリティを確保している。
• 脱識別化はリクエスト時に動的に実行され、事前処理によるボトルネックを回避している。
• DICOMヘッダーや画像コンテンツからの保護された健康情報（PHI）の自動削除により、データプライバシーが確保されている。
• アクセス制御と監査ログを備えたセキュアで高パフォーマンスな臨床データサイエンスプラットフォームに統合されている。
• コンテナ化されたマイクロサービスを用いたワークフローのオーケストレーションにより、スケーラブルなスケーリングと低遅延処理が実現されている。

実験結果

リサーチクエスチョン

• RQ1 どのようにして、高パフォーマンスかつ低遅延でペタバイトスケールの医療画像データのオンデマンド脱識別化を実現できるか？
• RQ2 クラウドベースのデータレイク環境において、安全でスケーラブルな脱識別化を実現するためのアーキテクチャパターンは何か？
• RQ3 分散コンピューティング技術を活用することで、研究用に準備された医療画像データの処理にかかるターンアラウンド時間を著しく短縮できるか？
• RQ4 オンデマンドアクセスを可能にしながらも、データプライバシーとコンプライアンスをどのように維持できるか？
• RQ5 従来のオンプレミス脱識別化パイプラインと比較して、このアプローチのパフォーマンス向上はどの程度か？

主な発見

• 本システムは、大規模な医療画像データセットに対して1分未塔の脱識別化ターンアラウンドを達成し、処理時間を著しく短縮した。
• クラウドベースの分散コンピューティングの活用により、負荷が高くなってもスケーラブルなスケーリングと一貫性のあるパフォーマンスが実現された。
• 本ソリューションは、データレイク全体の事前処理を必要とせず、安全でオンデマンドの脱識別化をサポートしている。
• プラットフォームは脱識別化を、より広範な臨床データサイエンススタックに統合しており、エンドツーエンドの研究効率を向上させた。
• DICOMメタデータおよび画像コンテンツの自動化・標準化された脱識別化により、アーキテクチャがデータプライバシーを維持している。
• 本システムは、ペタバイトスケールでの実現可能性とパフォーマンス向上を示しており、AI駆動の医療研究を支援する。