台灣的健保資料庫擁有傲視全球的個人健康數據資料，這個大數據對於訓練精準醫療所需要的人工智慧(AI)技術，具有關鍵地位，但受到個資與隱私保護規範，醫療院所無法對外分享資料，對於以AI技術為基礎的智慧醫療發展變得困難。

基於尊重隱私與長遠的個資保密要求下，國研院國網中心介紹隱私強化技術(Privacy Enhancing Technologies；PETs) 的重要發展，用技術解決個資與隱私的保護。

台灣大學資訊工程學系主任暨國網中心副主任洪士灝表示，Privacy Enhancing Technologies(PETs)技術有多面向的發展，除了具備抵抗量子運算能力的同態加密(HE)技術之外，還有多種打造不同使用情境的新興技術，以聯邦式學習(Federated Learning；FL) 為例，其聚焦於FL的三個構面，包括基礎研究、FL框架探討、國際案例分享與FL框架的整合與加值。

FL技術原本由Google做為優化Android虛擬鍵盤Gboard的輸入功能之技術，透過讓使用者在自己的手機上用自己的資料來完成AI訓練，再由Google彙整大量由個別使用者訓練的AI模型後，基於使用者的輸入數據不外洩的前提，讓所有Android使用者皆共享成果，對隱私保護上具有重要的啟示。

隨著FL持續探詢不同領域中的發展潛能時，另一個安全多方計算(Secure Multi-Party Computation；SMPC)技術，其利用分拆資料而讓參與的多方人馬不知道全部資料內容，拆分的愈多愈安全，但是通訊傳輸量愈是驚人，需要兼具高速網路與高效能運算服務做後盾，而國網中心兩者兼具，加上具有在地化與官方組織的優點，成為高敏感性資料處理的最佳合作夥伴。

資料不出醫院  只輸出AI模型進行協同合作

國內醫院礙於個資法的保護，病例與個人資料不能流出醫院，所以目前僅能在醫院內部使用，整體的跨院或甚至跨國的AI協同作業因此受限。洪士灝指出FL提供一個解方，無需帶出病人個資，且資料可保留在原醫療院所單位，只需共享AI模型即可，同時還能兼顧病患隱私問題。

FL採取只分享AI模型而不透露各別病例或隱私資料的策略，能夠避免用AI模型回推而取得病人的隱私資料，洪士灝再提出另一個強化保護AI模型的策略，也就是採用諸如同態加密(HE)技術加密，或是使用安全多方計算技術將資料分散與拆分，以防止逆向工程手法來挖出原始的病歷資料的機制，雙管齊下的對策用以確保護醫院的醫療個資。

PETs科技的進展以最新世代的個資隱私保護技術，可以一舉促成國內跨醫療單位的相互合作，未來甚至可以與美國、歐盟等國家做跨國的合作專案，讓台灣在國際醫療領域上可以對全人類做出貢獻，也一舉讓台灣在醫療科技領域地位獲得提升，未來將有無限商機。

洪士灝表示接下來三、五年PETs技術將有爆發式成長，尤其隱私保護與疫調的強大需求的驅動下，將快速促成技術的破壞式創新，同態加密需要高階運算，晶片商品化潛能高，尤其加上產業標準一旦成形，將有爆炸性的成長。

從醫療隱私資料與AI模型的雙重保護之PETs技術，國網中心扮演著啟動者(Enabler)的角色，讓科學研究與產業發展都有揮灑的舞台，透過合理的服務成本，無可取代的信賴感，洪士灝把國網中心比喻為功能卓著的球場，讓醫師、資料分析師、AI架構專家、解決方案商都能一起組隊下場競技，透過合作一起攜手打破目前的瓶頸與門檻，充分發揮國網中心的重要功能，並對全民的福祉做出貢獻。

By DIGITIMES