算力说
医疗领域被认为是对于隐私数据要求最高的场景，而在这个方向的数据若是共享，其效应将会巨大。医疗平台集聚个人最私密的数据，共享是否意味着即失守？开放应用生态更成无本之木？改弦更张，尝试用新一代智能数据技术替代传统的共享方式以释放数据价值，逐步成为发展共识。那么，新技术有哪些落地方式，又如何提升诊疗准确度？
8月25日，翼方健数 CEO 罗震 在SIGKDD·SDBD2020 第二届智能数据和区块链应用国际研讨会上带来《隐私安全计算下的数据和算法的互联互通》的专题分享，谈谈怎样为医疗信息系统装上智能的“最强大脑”。
1
你所认知的医疗行业的数据问题，其实在行业具有普适性
罗震介绍说，翼方健数主要在医疗行业做隐私安全计算的生根和应用。而在行业深耕多年后，最大的体会是医疗行业中间遇到的数据安全、数据共享以及数据应用方面问题，并且具有普遍性，促使我们去做更为深入的思考。
我们身处由信息时代转化到智能时代的变革中，两个时代显著的区别在于对数据的重视程度与认知方式。
信息时代我们更关注解决具体问题，当我们发现解决过程中产生的数据有很大的价值与应用空间，才逐渐开始使用。在当下的时代，更多的是我们拥有这样的数据，可以解决什么问题，这是主次先后重要性的区别。我们认为智能时代会产生海量的数据，处理数据主角是智能模型机器，而必须有大量数据才能产生比较好的智能，对数据的处理方式产生根本性的转变。
基于此，国家会提出数据是新的生产要素，并把数据和土地、资本、劳动力等同起来。但是数据作为生产要素，其实与很多传统的生产要素有许多区别。
首先数据是信息时代的遗留，由于分布在不同信息系统里边，自诞生便相互隔离，是非标准化、非结构化的，质量有高有低。
数据作为生产要素有非常独特的经济特征。其一是虚拟可再用的；其二是非竞争性的，如果我有一份数据共享给你，你就有一份一模一样的数据；其三是产生数据需要高昂成本，但分享数据几乎可以忽略成本。
数据的价值有外在性，当我们产生数据，很难确定数据价值几何。此外还有数据的非经济特征，在每个行业里边都有隐私保护，合规数据安全等行业方面的规范，在医疗行业更加如此，因为我们接触到的数据都是个人最隐私最保密的数据。
正是因为所有数据特点，恰恰是阻碍数据共享最核心的原因。从经济的角度我花了很多的价钱，产生数据，而后分享给你，数据将失去我的保护，而你有一份同样的财产。对你将来如何使用数据，我将完全失控，无法得知你可能会产生新的价值。
从另一角度，一旦原始数据流失并产生伤害，这些伤害也很难被安顿。所以我们认为数据在本质上不能被共享。共享的方式不是将原始数据拷贝给他人，而是应是试图去共享数据的价值。
2
Alice与Bob谁更多金？不仅仅是“百万富翁”
数据的时代特性引出我们所讲的隐私安全技术，或者说隐私计算基本的理念。
举例而言，有一家医学统计公司，想做筛查效果及评估。如做完癌症筛查后，想了解做过筛查的人后续是否有问题。涉及到医学统计中经常会提及的两个词，一个叫灵敏度，一个叫特异性。
一般比较直观的做法是在数据平台找到所有做过筛查的人群，观察后续发生的事情。通过原始数据和分析，最后得到评估结果。最大的问题在于如果医疗行业原始数据一旦离开数据平台保护，将来会产生问题。而统计公司只想知道筛查手段的结果，即灵敏度与特异性。所以可以将计算放在安全的环境，计算完毕之后，只需拿走统计结果。不用看到原始数据，不用将数据导出，通过这种计算的方式，实现不分享原始数据，而是分享数据的价值。
实际上，隐私安全计算面临较大的挑战。首先隐私安全计算，囊括的范围很广泛。三个主流的安全计算方式。一个方式称为多方安全计算或者同态加密，实际方法完全不同，但是信任假设是相同的。
假如没有任何可以信任的第三方，如何做计算？第二个方式使用比较多的方式是联邦学习。联邦学习是解决模型训练、模型推断的问题，在机器学习方面来解决没有信任的前提下，如何做联合计算。
那么联邦学习唯一的缺陷是指计算的方式仅仅是在机器学习的方式。如果我们有可以信任第三方，比如Alice、Bob信任第三人Charlie，他们如果将自己有多少钱告诉Charlie，Charlie就会立刻的告诉Alice、Bob你们俩谁钱更多，就可以通过安全多方计算的方式计算过程。
安全多方计算主要防备的是应用本身对平台产生的威胁。如果说安全沙箱做得好，对系统本身产生的风险小，就可以非常安全将它算出来。
另一方面，第三方中间有特殊的硬件叫 称之为TEE，Trusted Execution Environment，可信任执行环境。我们将安全沙箱计算放到TEE中算。此时可以解除对查理的信任，因为硬件可以保证哪怕Charlie是恶意的人，也没有办法看到算了Alice和Bob到底有多少钱。
12下一页>（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
