クラウドベースの深層学習は大規模な医療画像分析を可能にしていますが、患者の機密画像を外部に委託してモデル開発を行う際には重大なプライバシー上の懸念が生じます。本研究は、こうした懸念に対する新しいアプローチとして「画像偽装」に焦点を当てています。この技術は、医療画像を視覚的に判別不可能な表現に変換しながら、同時にダウンストリーム学習に必要な情報を保持するというプライバシー強化技術（PET）です。 研究チームは、DisguisedNetsとNeuraCryptという代表的な画像偽装手法を統一的な枠組みで評価しました。4つのデータセットを使用し、分類タスクとセマンティックセグメンテーションタスクの両方で検証を行いました。評価項目には予測性能、計算効率、および再構成攻撃への堅牢性が含まれています。 結果として、画像偽装の性能はタスクの種類によって大きく異なることが判明しました。医療画像分類タスクではほとんどの手法が有用性を保持していましたが、ピクセル単位の予測が必要なセマンティックセグメンテーションでは著しい性能低下が見られました。特にランダム多次元変換（RMT）は性能とセキュリティのバランスに優れていた一方、AES暗号化ベースの偽装は有用性に深刻な影響を与えました。さらに興味深いことに、自然画像に対して有効な回帰ベースの再構成攻撃は、現実的な医療画像に対しては顕著に成功率が低下しました。これらの知見は、機密性の高い医療AI応用においてプライバシー強化技術がどの程度適用可能かについて、体系的な評価を提供するものです。