Databricks上のビジョン・ランゲージ・モデルで、医用画像を低コストに匿名化

スケーラブルな画像の非識別化の必要性

X線やMRIなどの医療画像は、診断、治療計画、疾患のモニタリングに役立つだけでなく、個々の患者ケアを超えて、より広範な医学研究や公衆衛生ポリシー、AIを活用した新しい診断ツールの開発に活用されるケースが増えています。このような医療記録の二次利用は、非常に有益である一方、患者のプライバシーを保護し、HIPAAなどの規制を遵守するために、保護医療情報（PHI）の匿名化を行う必要があります。

医療画像データセットの规模が拡大していることから、画像を安全かつ倫理的に医学の進歩に利用できるようにするためには、信頼性が高く効率的な匿名化手法が必要となります。この目的のため、本記事ではPixelsソリューションアクセラレータをご紹介します。これは、Vision Language Model (VLM) を並列で活用するSpark機械学習パイプラインを通じ、広く利用されているDigital Imaging and Communications in Medicine (DICOM) 形式の医療画像を匿名化するものです。

DICOM ファイルには、画像とメタデータ テキストの両方が含まれています（詳細はこちらをご覧ください）。ここでは、画像を非識別化する新機能に焦点を当てます。DICOM ツールキットである Pixels は、スケーラブルな DICOM の取り込みやセグメンテーションに加えてメタデータも非識別化し、そのすべてをウェブ アプリケーション内で実行します。

DICOM 画像に焼き付けられた PHI を非識別化する方法

Pixels pythonパッケージをインストールした後、以下のようにDicomPhiPhiPipelineをランします。

Spark データフレームの列にある DICOM ファイルパスを読み込み、2 つの列を出力します:

1. VLM（endpoint で指定）からの応答
2. PHIをマスクしたDICOMファイルパス

DicomPhiPipelineの一部として、EasyOCRを使用して墨消しが実行されます。墨塗りは、VLM PHI 検出とは無関係に実行することも（redact_even_if_undetected=True）、VLM PHI 検出を条件として実行することも（redact_even_if_undetected=False）できます。EasyOCRには非PHIを過剰に墨消しする傾向があるため、後者をお勧めします。VLMがPHI陽性と検出した画像を条件とすることで、EasyOCRが非PHI画像を墨消しする可能性は低くなります。

他の PHI 検出方法との比較

競合

Pixels の画像 PHI 検出パイプラインを、商用ベンダーおよび広く使用されているオープンソース ソリューションである Presidio と比較してテストしました。ベンダーと Presidio はどちらも OCR を使用して、まず画像からテキストを抽出し、次に言語モデルを適用してテキストが PHI であるかどうかを分類しました。組み込みの OCR は、機密性の高いテキストもセグメント化し、それらの境界ボックス内に塗りつぶしマスクを適用しました。

さらに、GPT-4o、Claude 3.7 Sonnet、オープンソースのLlama 4 Maverickなど、いくつかのVLMを比較しました。

データセット

公開 DICOM データセットの MIDI-B を 70 枚の画像にダウンサンプリングし、PHI を含む画像と含まない画像の数をほぼ均等にしたバランスの取れたデータセットを作成して、比較を行いました。

結果

Claude 3.7 SonnetとGPT-4oは、どちらも完璧なPHI検出性能を示しました。Llama 4 Maverick は、再現率は 100% ですが、画像上の PHI ではないテキストを PHI として誤認識することがあるため、適合率は 91% でした。それでも、PHIの見逃しを避けるために過剰な墨消しを許容するユーザーにとっては、Llama 4-Maverickは依然として優れたパフォーマンスを提供します。このような場合、PHI の偽除外率はゼロです（つまり、NPVが1に近い）かつ再現率が1なので、パフォーマンスとコストのバランスが良い可能性があります。

私たちのテストでは、Presidioと商用ソリューションを、default設定のまますぐに使える状態で使用しました。精度と速度の両面におけるパフォーマンスは、OCRの選択に大きく依存することが分かりました。Azure Document Intelligenceなどの代替手段を使用すれば、パフォーマンスが向上する可能性があります。

機能する理由

医療画像に焼き付けられたテキストの非識別化に関する文献を調査したところ、多くの成功事例では OCR や LLM (例:BERT、Bi-LSTM、GPT）および/または VLM。PHI の検出に VLM を、テキストのバウンディング ボックスの検出に EasyOCR を使用することにしたのは、Truong et al. 2025 が報告した成功事例を参考にしたものです。

1. VLMは、テキスト認識が不得意で、誤字を誘発しがちな従来のOCRに取って代わるものです。

   報告されているほとんどの匿名化手法では、LLMに入力する画像からテキストを抽出するための最初のステップとして、OCRがしばしば使用されていました。しかし、tesseractやEasyOCRのようなOCRツールは、テキスト認識（i.e.読み取り）の性能が概して低く、速度も遅く、特定の文字を誤読して意図せず誤字を誘発し、下流のPHI検出の精度を損なうことが多いことがわかりました。これを軽減するために、VLM を使用してバーンイン テキストを読み取り、そのテキストが PHI であるかどうかを分類しました。VLM は驚くほどこのタスクに長けていました。

2. VLM が画像を改変できない場合に、EasyOCR で墨消し用のバウンディングボックスを検出

   しかし、VLM は墨塗りされた画像を出力できません。そのため、OCR をその最も得意な処理、すなわちテキスト検出に利用し、後続のマスキング処理のための境界ボックス座標を提供しました。留意すべき点として、最近、バウンディングボックス座標を出力するために VLM をファインチューニングする試み (Chen et al. 2025) がありますが、私たちは代わりに既製のツール（VLM、EasyOCR）を組み合わせた、よりシンプルなソリューションを選択しました。

3. 本番運用レベルのスケーラビリティを実現する Spark の並列処理

   DatabricksにはLLMのバッチ推論機能（ai_functions）がありますが、現時点ではVLMをサポートしていません。そのため、Pandas UDFを使用してVLMとEasyOCR向けのスケーラブルなバージョンを実装しました。大手製薬会社の顧客との協業で、1000 DICOMフレームのトライアルランにおいてSparkの並列処理により、匿名化プロセスが105分から6分に短縮されました！100,000 DICOMフレームの完全なワークロードにスケールアップしたところ、速度の向上とコスト削減の効果は絶大なものでした。

まとめ

Pixels 2.0ソリューションアクセラレータアドオンで実証されているように、VLMは強力で使いやすく、経済的です。スケーラブルなPHI検出を用いて重要な臨床研究や関連画像研究を保護することは、実現可能であるだけでなく、賢明な策と言えるでしょう。

PixelsはDICOMファイル向けに設計されていますが、顧客はJPEG、Whole Slide Images、SVSなど、他の画像フォーマットにも応用しています。

アップデートはgithubリポジトリに投稿されています。この機会にぜひDatabricks Pixels 2.0ソリューションアクセラレータのアップデートまたは試用をお試しください。画像データ処理やAI/機械学習のユースケースについては、Databricksのアカウントチームまでお問い合わせください。まだ面識がない方も、LinkedIn で著者までお気軽にご連絡ください。