[发明专利]使用深度学习网络的匿名和安全分类

说明书

使用深度学习网络的匿名和安全分类。机器学习分类器被用于更匿名的数据传送。诸如神经网络机器学习之类的深度学习导致具有多个不同的层的分类器。每个层处理在前的层的输出。当与对层的输入相比时，输出是不同的。通过本地应用层的子集，可以将得到的输出提供给云服务器用于应用到其余层。由于深度学习分类器的层的输出与输入不同，所以被传输到云服务器并且在云服务器处可用的信息比原始数据更匿名或与原始数据不同，云服务器还可以应用最近的机器学习分类器作为其余层。

背景技术

本实施例涉及由远程服务器应用的机器学习。基于云的处理可以应用最近的机器学习方法和应用特征以提供快速和鲁棒的结果用于多种目的。例如，经由基于云的应用在社交联网站点上完成脸检测和标记。在关注诸如医学数据之类的隐私的情况下，由于服从规则（例如，如健康保险便利和责任法案（HIPPA）），相同的方法可能是有问题的。另外，在一些情况下，当处理个人照片时人们更喜欢隐私。如果在现场外完成处理，则军事应用也需要实质的安全性。最后，因为数据具有价值，所以尽管有优势，数据的所有者也可能不愿意在云中共享数据，而是可能代之以更喜欢仅本地运行应用。

去除标识符（匿名化）并且加密数据用于传输和存储是一种用于允许基于私有云的应用的技术方案。数据的所有者必须在正确地处理、加密、删除和使用数据方面完全信任应用提供者。然而，加密和服务器可能被破坏，并且因此可能不提供对隐私的足够保护。即使利用匿名化，数据也可以被用于标识患者。在照片的情况下，如果数据被损害，则人可以被容易地标识。在形态学医学图像（morphological medical image）中，可以通过形状特征来标识患者。

为了避免这些忧虑，可以在用户的机器上本地运行应用。该情况放弃了具有最近的应用和基于云的处理的优势的能力。通常用标记的图像或体积（volume）的数据库来训练此类系统，并且一旦部署，就在从新数据学习方面保持固定。不幸的是，在该情况下，系统可能从不从在临床使用中时犯的错误学习。另外，此类本地系统占用空间并且必须频繁地在专门化的工作站上运行。

发明内容

通过介绍，以下描述的优选的实施例包括用于用于匿名数据传送的机器学习分类器的使用的方法、系统、指令和非暂态计算机可读介质。诸如神经网络机器学习之类的深度学习导致了具有多个不同层的分类器。每个层处理在前的层的输出。当与对层的输入相比时，输出是不同的。通过本地应用层的子集，可以将得到的输出提供给云服务器用于应用于其余层。由于深度学习分类器的层的输出与输入不同，所以被传输到云服务器并且在云服务器处可用的信息比原始数据更匿名或与原始数据不同，云服务器还可以应用最近的机器学习分类器作为其余层。

在第一方面中，提供了一种用于在医学成像中的机器学习分类器的使用的方法。医学扫描器获取表示患者的扫描数据。第一处理器通过深度学习网络的层的第一集合处理扫描数据。深度学习网络包括层的第一集合和层的第二集合，并且层的第一集合包括两个或更多层。将层的第一集合的输出通过通信网络从第一处理器传输到第二处理器。输出与扫描数据不同并且对患者而言是匿名的。第二处理器通过深度学习网络的层的第二集合来处理层的第一集合的输出。层的第二集合的输出是对扫描数据的分类、评估或分割。将用于患者的扫描数据的分类通过通信网络从第二处理器传输到第一处理器。

在第二方面中，提供了一种用于用于匿名数据传送的机器学习分类器的使用的方法。在第一位置中的第一计算机上操作由总共k层组成的神经网络的第一n层。将从神经网络的第一部分得到的激活数据传输到在远离第一位置的第二位置处的云服务器。由第一计算机从云服务器接收神经网络的其余k-n层的输出。该输出来自神经网络的只第二部分的操作。在第一计算机上显示输出。

在第三方面中，提供了一种用于用于匿名数据传送的机器学习分类器的使用的方法。从第一机器接收由于原始数据应用于并非所有机器学习处理的部分而对人匿名的特征数据。第二机器用特征数据作为输入来执行机器学习处理的其余部分。将机器学习处理的结果传输到第一机器。