人工智能（AI）在医学影像中的整合彻底改变了放射肿瘤学，推动了诊断、预后和治疗应用模型的发展。这些 AI 驱动的方法依赖于大规模且多样化的数据集来确保其性能的稳健性和泛化能力。然而，医学影像数据（尤其是包含面部特征的头部扫描数据）的使用和共享引发了严重的隐私问题。自动化面部识别软件的日益普及使得从常规影像中识别个体成为可能，从而加剧了对重新识别的担忧。
为应对这一问题，美国国立卫生研究院（NIH）要求按照 FAIR（可发现性、可访问性、互操作性和可重用性）原则公开共享联邦资助的研究数据。这一规定在开放数据访问的需求与保护患者身份（尤其是在面部特征可见的影像研究中）之间造成了矛盾。为了降低重新识别的风险，数据隐私法规通常要求从影像数据集中移除可识别特征，包括面部结构。尽管这保护了患者隐私，但可能会影响对放疗计划和效果评估至关重要的影像数据的使用。
传统的去识别方法通常涉及完全或部分移除面部特征以保护患者隐私。然而，这种方法可能会移除大量组织，从而复杂化数据分析和处理。最近出现了更先进的去识别技术，包括面部替换（通过替换或修改面部特征）和模糊技术（使用掩码遮挡面部结构）。这些方法旨在保护隐私的同时保持影像的完整性。
在放射肿瘤学中，CT、MRI 和 PET 对诊断、治疗计划和效果评估至关重要，而剂量图在规划和评估放射治疗过程中也起着关键作用。然而，这些技术保护隐私的效果，尤其是在剂量图方面，仍很大程度上尚未得到探索。
在头颈部（HN）影像中，由于视野范围的原因，剂量图常常会捕捉到面部部分区域，从而带来重新识别的风险。此外，篡改技术可能会改变进行精确剂量计算和图像分析所需的关键结构，可能影响数据完整性。这些变化可能会在治疗计划评估中引入误差，尤其是在使用数据进行分割、剂量分析或模型开发等任务时。迄今为止，放射肿瘤学领域很少有研究探讨篡改技术对隐私和影像数据完整性的影响。这种权衡凸显了对篡改方法进行全面评估的必要性，以量化它们在临床和研究应用中对隐私保护和数据完整性的影响。
在本研究中，我们评估了四种面部篡改技术——quickshear（完全移除面部特征）、biometric_mask（部分移除面部特征）、mri_reface（重新处理面部特征）以及 Carina Medical LLC 的去识别工具（使用模糊处理面部特征）——在多种成像模式（包括 CT、MRI、PET 和剂量图）中的应用效果。我们的目标是评估它们在防止面部识别方面的有效性，以及它们对放疗（RT）结构体积和图像强度变化的影响。通过比较这些方法，我们可以明确它们各自的权衡点，帮助用户根据其特定的临床或研究需求选择最合适的方法。
