Abstract
Patient face images provide a convenient mean for evaluating eye diseases, while also raising privacy concerns. Here, we introduce ROFI, a deep learning-based privacy protection framework for ophthalmology. Using weakly supervised learning and neural identity translation, ROFI anonymizes facial features while retaining disease features (over 98\% accuracy, $\kappa > 0.90$). It achieves 100\% diagnostic sensitivity and high agreement ($\kappa > 0.90$) across eleven eye diseases in three cohorts, anonymizing over 95\% of images. ROFI works with AI systems, maintaining original diagnoses ($\kappa > 0.80$), and supports secure image reversal (over 98\% similarity), enabling audits and long-term care. These results show ROFI's effectiveness of protecting patient privacy in the digital medicine era.
Abstract (translated)
患者面部图像为评估眼科疾病提供了一种便捷的方法，同时也引发了隐私方面的担忧。在这里，我们介绍了ROFI，这是一个基于深度学习的眼科隐私保护框架。通过弱监督学习和神经身份翻译技术，ROFI能够在去除非必要面部特征的同时保留疾病的特征（超过98%的准确性，$\kappa > 0.90$）。在三个不同队列中的十一种眼科疾病上，ROFI实现了100%的诊断敏感度，并且具有高度的一致性（$\kappa > 0.90$），同时去除了超过95%图像中的非必要面部信息。此外，该框架能够与AI系统兼容，保持原始诊断结果（$\kappa > 0.80$），并支持安全的图像恢复功能（相似度超过98%），从而允许进行审核和长期跟踪护理。这些结果显示了ROFI在数字医疗时代有效保护患者隐私方面的效果。
URL
https://arxiv.org/abs/2510.11073
