Η πρώτη μηχανή ανωνυμοποίησης φτιαγμένη για ελληνικά κλινικά έγγραφα.
Μια μηχανή ανωνυμοποίησης χτισμένη από θεμελιώδεις αρχές — χωρίς μοντέλο, χωρίς εικασίες, κάθε απόφαση ανάγεται σε έναν κανόνα.
Ένα ισχυρό δίδυμο
Δύο τρόποι ανάγνωσης του ίδιου κειμένου, που γίνονται ένας.
* Η μηχανή ανωνυμοποίησης διατίθεται και από μόνη της, ως ξεχωριστή εφαρμογή από το ClinicalMiner.
Τα εργαλεία ανωνυμοποίησης που φτιάχτηκαν για την αγγλική γλώσσα αποτυγχάνουν στο ελληνικό κλινικό κείμενο. Η ελληνική γλώσσα έχει μεγάλη ποικιλομορφία. Διαφορετικές κλίσεις, καταλήξεις, τονισμοί, κ.α., καθιστούν την αναγνώριση ελληνικών κειμένων εξαιρετικά δύσκολη. Τα ιατρικά έγγραφα περιέχουν σε μεγάλο βαθμό μη δομημένο, ελεύθερο κείμενο, το οποίο πρέπει να διατηρεί την κλινική αξία του. Επίσης τα ελληνικά έγγραφα χρησιμοποιούν συχνά μείξη ελληνικών και αγγλικών όρων, συχνά στην ίδια πρόταση. Ο Morpheus χτίστηκε πάνω σε αυτά τα δεδομένα, δεν προσαρμόστηκε εκ των υστέρων.
Η ανωνυμοποίηση εκτελείται εξ ολοκλήρου στο δικό σας μηχάνημα — έναν συνηθισμένο φορητό υπολογιστή, χωρίς κάρτα γραφικών, χωρίς διακομιστή, χωρίς σύνδεση στο διαδίκτυο. Τα έγγραφα δεν ανεβαίνουν πουθενά για επεξεργασία και κανένα τμήμα της μηχανής δεν επικοινωνεί προς τα έξω. Ό,τι διαβάζει η μηχανή, το βλέπει μόνο η μηχανή. Η μηχανή ανωνυμοποίησης δεν χρησιμοποιεί μεγάλα γλωσσικά μοντέλα (large language models – LLMs).
Κάθε έγγραφο διαβάζεται από δύο μηχανές, ανεξάρτητα τη μία από την άλλη. Ό,τι επισημάνει οποιαδήποτε από τις δύο ως στοιχείο ταυτοποίησης αντικαθίσταται· ένα κοινό σώμα κλινικής γνώσης φροντίζει να μη χαθούν μαζί και οι ιατρικοί όροι.
Ο Morpheus ρωτά για κάθε λέξη: μοιάζει με όνομα; Συνδυάζει μοντέλα αναγνώρισης ονομάτων, που διαβάζουν τα συμφραζόμενα, με κανόνες και λεξιλόγια γραμμένα για το ελληνικό κλινικό κείμενο. Η δύναμή του είναι το άγνωστο: ένα όνομα που δεν έχει ξαναδεί, γραμμένο με τρόπο που κανείς δεν είχε σκεφτεί να καταγράψει.
Ο Protogene θέτει το αντίστροφο ερώτημα: είναι αυτή μια κοινή λέξη; Κανείς δεν μπορεί να καταγράψει όλα τα ονόματα του κόσμου· τις κοινές λέξεις μιας γλώσσας, όμως, μπορεί. Ο Protogene γνωρίζει το λεξικό της ελληνικής και το λεξιλόγιο της ιατρικής· μια λέξη με κεφαλαίο αρχικό που δεν ανήκει σε κανένα από τα δύο αντιμετωπίζεται ως όνομα, τόπος ή ίδρυμα, και αντικαθίσταται. Δεν χρησιμοποιεί κανενός είδους μοντέλο: κάθε απόφαση ανάγεται σε έναν κατάλογο λέξεων ή σε έναν γραπτό κανόνα, και μπορεί να εξηγηθεί.
Ένα κλινικό σημείωμα δηλώνει μόνο του τα στοιχεία ταυτοποίησης που περιέχει: μια ετικέτα πριν από ένα όνομα, έναν τίτλο πριν από έναν γιατρό, μια ιδιότητα πάνω από μια υπογραφή. Εξίσου καθαρά δηλώνει και το ιατρικό του περιεχόμενο: μια μονάδα μετά από έναν αριθμό, μια δόση μετά από ένα φάρμακο. Ο Protogene συλλέγει αυτές τις δηλώσεις αντί να εικάζει, και διαβάζει ολόκληρο το σημείωμα πριν αποφασίσει, ώστε η διάγνωση ή η επέμβαση που αναφέρεται να κρατά αναγνώσιμους τους ιατρικούς της όρους.
Οι δύο μηχανές αστοχούν με διαφορετικό τρόπο. Ένα μοντέλο μπορεί να προσπεράσει ένα όνομα που δεν του φαίνεται ασυνήθιστο· ένα λεξικό μπορεί να προσπεράσει ένα όνομα που είναι ταυτόχρονα και κοινή λέξη. Όταν δουλεύουν μαζί, η καθεμία καλύπτει το τυφλό σημείο της άλλης. Και επειδή ο Protogene ξεκινά από την ελληνική γλώσσα και όχι από την ιατρική, η ίδια προσέγγιση θα μπορούσε να προσαρμοστεί και σε άλλα είδη εγγράφων.
Ο Protogene προστέθηκε στη μηχανή μετά τη μελέτη αξιολόγησης, η οποία αφορούσε μόνο τον Morpheus 1.0.
Μια μηχανή που αφαιρεί υπερβολικές πληροφορίες δεν θα είχε κανένα απολύτως νόημα. Με τη συγκεκριμένη μηχανή, στόχος μας είναι η λεπτή ισορροπία μεταξύ ευαίσθητων προσωπικών δεδομένων που πρέπει να αποκρύπτονται, και σημαντικών ιατρικών δεδομένων που πρέπει να διατηρούνται. Η ασφάλεια των προσωπικών δεδομένων είναι η πυξίδα μας.
Τα στοιχεία ταυτοποίησης δεν σβήνονται. Αντικαθίστανται με ρεαλιστικά υποκατάστατα — διαφορετικό όνομα, άλλη οδός, μετατοπισμένη ημερομηνία — ώστε το έγγραφο να εξακολουθεί να διαβάζεται ως κλινικό κείμενο, και ώστε οτιδήποτε τυχόν ξέφυγε να μην ξεχωρίζει ως το μόνο αληθινό όνομα στη σελίδα.
Ο Morpheus παίρνει τις ίδιες αποφάσεις κάθε φορά που βλέπει το ίδιο κείμενο και ελέγχει τον εαυτό του με ένα παγωμένο σημείο αναφοράς σε κάθε εκκίνηση. Κάθε επεξεργασμένο έγγραφο φέρει την έκδοση της μηχανής και ένα αποτύπωμα του ακριβούς build που το χειρίστηκε.
Καμία μηχανή ανωνυμοποίησης δεν είναι τέλεια, και όποια το ισχυρίζεται πρέπει να αντιμετωπίζεται με επιφύλαξη. Ο Morpheus αξιολογείται σε επισημειωμένα ελληνικά κλινικά σώματα κειμένων, μετρώντας τόσο όσα αφαιρεί όσο και όσα καταστρέφει. Η μελέτη αξιολόγησης είναι διαθέσιμη ως προδημοσίευση στο arXiv και βρίσκεται υπό κρίση· τα αποτελέσματα θα παρουσιαστούν εδώ μόλις ολοκληρωθεί η κρίση.
Ο Morpheus είναι ενσωματωμένος στο ClinicalMiner. Κάθε έγγραφο περνά από αυτόν πριν το δει οποιαδήποτε λειτουργία AI — η ανωνυμοποίηση δεν είναι επιλογή που απενεργοποιείται.
Και οι δύο μηχανές «παγώνουν» σε κάθε έκδοση, και κάθε επεξεργασμένο έγγραφο καταγράφει τις εκδόσεις που το χειρίστηκαν.
Η μελέτη αξιολόγησης αφορά τον Morpheus 1.0. Η μελέτη και τα δεδομένα της παρατίθενται στις Δημοσιεύσεις.