生物医疗大数据隐私与安全保护的应对策略与技术

阐述了生物医疗大数据隐私与安全保护中的关键性问题和挑战,分析了国内外生物医学数据隐私保护问题的各类法律法规,讨论了现有的各类生物医疗数据隐私保护的算法、计算模型、技术手段等,评估了其适用性、优势以及不足。基于现有的技术手段和策略,展望了适用于现阶段医疗数据的隐私保护。     

医疗数据挖掘中的隐私保护

从传统数据挖掘的流程入手,介绍医疗数据挖掘的意义,分析数据挖掘中隐私保护的着重探讨基于安全多方计算的数据挖掘、面向原始数据的隐私保护和面向数据挖掘知识的隐私保护及其实现技术.     

数据库安全与隐私 保护数据库技术应用探讨

随着计算技术应用的深入以及机构对信息系统依赖程度的增加，人们对隐私信息的利用与管理给予了高度关注，这种现象导致了许多有关隐私保护法案的出现。数据库安全的概念与方法和源于医疗安全需求驱动的隐私保护数据库技术，目的是为医疗信息数据库支持隐私信息存储与管理，提供可研究的新技术与新方法。     

生物医学数据匿名化工具ARX研究及启示

ARX工具是一款由德国慕尼黑工业大学开发,具有高效的全域匿名化算法、丰富的隐私模型、数据效用评估方法和重识别风险分析功能,被许多研究者和隐私政策制定者推荐的开源生物医学数据匿名化工具。通过梳理ARX工具的发展历史和相关研究,将ARX工具的功能架构归纳为数据导入导出模块、数据处理模块、隐私模型模块及其他参数模块、匿名化方案探索模块、效用分析模块及风险分析模块5个部分,并以Adult 数据集的匿名化为例梳理了ARX工具的工作流程,总结形成5个步骤。然后通过与其他匿名化工具的功能进行比较和分析,归纳了ARX工具的4个特点并总结了各模型和指标的原理和含义及ARX工具应用的局限性。最后结合我国数据共享的实际需求,针对性地提出了我国数据匿名化工具研发时需要重点关注的内容,对我国生物医学数据匿名化工具的研发具有一定的参考价值。     

健康医疗大数据时代的隐私保护探析

以基因数据为例,全面分析健康大数据隐私面临的挑战,从联盟数据分析、同态加密、硬件加密、差分隐私几方面探讨隐私数据保护策略,阐述有关数据安全和隐私保护法律建设,以期为相关研究提供参考。     

基因数据隐私问题及相关保护技术进展研究

分析基因组数据存在的隐私安全问题,详细阐述基因数据隐私保护相关技术、研究进展、技术不足之处等方面,为相关研究提供参考。     

国内患者隐私泄露情形及隐私保护现状分析

分析患者在不同就诊阶段隐私泄露风险,详细梳理国内患者隐私保护法律法规及政策文本内容,总结当前患者隐私保护体系的缺陷和不足,介绍国外患者隐私信息脱敏经验,提出加强国内患者隐私保护的具体建议。     

生物医学科研数据管理服务的研究

基于生物医学领域科研人员对科研数据管理服务的需求,分析国外生物医学领域学科馆员的为科研用户提供研究数据管理服务,重点分析美国NIH生物医学学科馆员支持科研课题研究数据管理服务的模式、内容和效果,探讨我馆学科馆员如何参与生物医学数据管理服务。     

国际生物医学科学数据审编研究热点探析

以2015-2016年两届国际生物医学审编会议上领域专家讨论的报告和会议论文集,以及PubMedCentral中近5年来有关Biocuration和Data Biocuration的研究文献为数据源,采用内容分析法对生物医学科学数据审编的研究主题进行分析、归纳和总结,重点从Biocuration的工作机制、生物医学数据标准构建与应用、集成与可视化、审编与应用、生物医学文本挖掘等方面进行梳理,以期为我国生物医学科学数据审编的发展提供国际经验。     

医疗数据隐私保护技术应用研究

介绍国内外隐私保护现状,分析现阶段数据平台隐私保护问题,阐述基于肿瘤大数据平台的医疗数据隐私保护技术及其实践,包括管理架构、技术架构等各方面,为相关研究提供参考。     

大数据时代医学专业图书馆面临的挑战与对策

介绍了大数据的概念与涵义,调研了大数据在生物医学领域中的应用,分析了医学专业图书馆的职能变化,指出了医学专业图书馆在数据、硬件设施、软件技术、人才和服务范式等方面面临的挑战,从发展对外合作联盟、共建云计算中心和对内加强机构、人才建设和转变服务模式等方面提出了医学专业图书馆应对大数据的策略。     

数据挖掘在生物医学数据分析中的应用

随着信息技术的发展,采集、存储和管理数据的手段日益完善,数据挖掘学科应运而生。文章阐述数据挖掘的概念;通过给出各种数据挖掘方法在生物医学研究领域中的应用实例,分析数据挖掘与生物医学领域中统计学的关系,并就国内生物医学数据挖掘的应用现状、需要解决的问题以及今后研究的发展方向等进行综述。     

数据挖掘在生物医学数据分析中的应用

随着信息技术的发展,采集、存储和管理数据的手段日益完善,数据挖掘学科应运而生。文章阐述数据挖掘的概念;通过给出各种数据挖掘方法在生物医学研究领域中的应用实例,分析数据挖掘与生物医学领域中统计学的关系,并就国内生物医学数据挖掘的应用现状、需要解决的问题以及今后研究的发展方向等进行综述。     

iDASH: integrating data for analysis, anonymization, and sharing

iDASH (integrating data for analysis, anonymization, and sharing) is the newest National Center for Biomedical Computing funded by the NIH. It focuses on algorithms and tools for sharing data in a privacy-preserving manner. Foundational privacy technology research performed within iDASH is coupled with innovative engineering for collaborative tool development and data-sharing capabilities in a private Health Insurance Portability and Accountability Act (HIPAA)-certified cloud. Driving Biological Projects, which span different biological levels (from molecules to individuals to populations) and focus on various health conditions, help guide research and development within this Center. Furthermore, training and dissemination efforts connect the Center with its stakeholders and educate data owners and data consumers on how to share and use clinical and biological data. Through these various mechanisms, iDASH implements its goal of providing biomedical and behavioral researchers with access to data, software, and a high-performance computing environment, thus enabling them to generate and test new hypotheses.     

基于生物医学科研数据仓储的图书馆数据管理服务

综合国内外生物医学领域科研数据仓储的政策，为图书馆开展生物医学科研数据管理服务奠定基础。通过人工阅读、筛选的方法选取有明确政策声明的9个生物医学领域的科研数据仓储，对其在数据提交、数据管理和数据使用等方面的政策和要求进行调研，并对学科馆员如何提供嵌入科研的科研数据管理服务进行探讨。     

国外生物医学科研数据管理服务与启示

基于生物医学领域科研人员对科研数据管理服务的需求,分析了国外生物医学领域学科馆员为科研用户提供的数据管理服务,美国NIH生物医学学科馆员支持科研课题研究数据管理服务的模式、内容和效果,探讨了国外生物医学数据管理服务对我馆学科化服务的启示。     

Ontology: Footstone for Strong Artificial Intelligence

In the past ten years, the application of artificial intelligence (AI) in biomedicine has increased rapidly, which roots in the rapid growth of biomedicine data, the improvement of computing performance, and the development of deep learning methods. At present, there are great difficulties in front of AI for solving complex and comprehensive medical problems. Ontology can play an important role in how to make machines have stronger intelligence and has wider applications in the medical field. By using ontologies, (meta) data can be standardized so that data quality is improved and more data analysis methods can be introduced, data integration can be supported by the semantics relationships which are specified in ontologies, and effective logic expression in nature language can be better understood by machine. This can be a pathway to stronger AI. Under this circumstance, the Chinese Conference on Biomedical Ontology and Terminology was held in Beijing in autumn 2019, with the theme “Making Machine Understand Data”. The success of this conference further improves the development of ontology in the field of biomedical information in China, and will promote the integration of Chinese ontology research and application with the international standards and the findability, accessibility, interoperability, and reusability(FAIR) Data Principle.     

NIH生物医学数据共享仓储分析

目的：对美国国立卫生研究院（NIH）的共享仓储进行分析,为生物医学科学数据领域相关研究和我国医学科学数据共享仓储建设提供参考和借鉴。方法：对UniProt、Protein Data Bank、GenBank等10个典型的数据共享仓储进行对比分析,总结其在数据获取方式、数据管理及共享模式、服务方式等方面的经验。结果：各仓储根据自身特性,设计了符合自身特点的数据管理链条及流程规范。结论：我国可借鉴美国国立卫生研究院生物医学数据共享仓储的建设经验,设计数据服务工具、开展半人工半自动模式的数据审核,收集尽可能详尽的元数据,并制定符合自身仓储特点的引用规范等。     

The Center for Computational Biology: resources, achievements, and challenges

The Center for Computational Biology (CCB) is a multidisciplinary program where biomedical scientists, engineers, and clinicians work jointly to combine modern mathematical and computational techniques, to perform phenotypic and genotypic studies of biological structure, function, and physiology in health and disease. CCB has developed a computational framework built around the Manifold Atlas, an integrated biomedical computing environment that enables statistical inference on biological manifolds. These manifolds model biological structures, features, shapes, and flows, and support sophisticated morphometric and statistical analyses. The Manifold Atlas includes tools, workflows, and services for multimodal population-based modeling and analysis of biological manifolds. The broad spectrum of biomedical topics explored by CCB investigators include the study of normal and pathological brain development, maturation and aging, discovery of associations between neuroimaging and genetic biomarkers, and the modeling, analysis, and visualization of biological shape, form, and size. CCB supports a wide range of short-term and long-term collaborations with outside investigators, which drive the center's computational developments and focus the validation and dissemination of CCB resources to new areas and scientific domains.