Comment savoir si les données synthétiques protègent la vie privée ? 

Affichés octobre 28, 2026

Dr. Reem Al-Saidi receives the Best Research Paper Award from the General Chair of PST 2026.

La Dre Reem Al-Saidi (à gauche) reçoit le prix du meilleur article de recherche des mains du président général de PST 2026. 

CanPath a le plaisir de féliciter la Dre Reem Al-Saidi, qui a reçu le prix du meilleur article de recherche à la 23e Conférence internationale annuelle sur la Protection des renseignements personnels, la sécurité et la confiance (PST 2026). 

Intitulée Exposition concentrée par panel de référence de données génomiques synthétiques générées par HAPNEST : Évaluation d’une attaque par inférence d’adhésion sur la cohorte de CanPath, l‘étude était dirigée par la Dre Al-Saidi sous la supervision du Dr Ziad Kobti, à l’Université de Windsor, et menée en collaboration avec CanPath. Elle pose une question simple mais cruciale : les données génomiques synthétiques peuvent-elles révéler des traces des personnes réelles dont les données ont contribué à leur création? L’article a été reconnu pour son originalité et sa contribution à la compréhension des risques liés à la confidentialité dans les données synthétiques. 

Pourquoi les données synthétiques doivent être vérifiées 

En termes simples, les données synthétiques sont artificiellement générées pour ressembler à des données du monde réel. Les archives ne sont pas réelles, mais les modèles et les relations qu’elles renferment ressemblent étroitement à l’ensemble de données original. Les chercheurs peuvent en tirer des leçons, les étudiants peuvent s’en servir dans leur formation et les organisations peuvent explorer de nouvelles idées, tout cela sans divulguer de données réelles sur les participants. 

Pourtant, selon la Dre Al-Saidi, la confidentialité des données synthétiques ne peut être considérée comme acquise. 

« Pendant des années, les données synthétiques ont été traitées par défaut comme des données privées. » Le raisonnement était le suivant : les archives n’appartiennent à aucune personne réelle et ne peuvent donc rien révéler à leur sujet. « Ce point de vue n’est plus valable », a affirmé la Dre Al-Saidi.

« Les données synthétiques peuvent être privées, mais cela doit être vérifié, et non présumé. »  

Mettre la confidentialité à l’épreuve 

Récemment diplômée au doctorat de l’Université de Windsor, la Dre Al-Saidi travaille sur l’apprentissage automatique et la protection des données génomiques. Utilisant des données génomiques synthétiques de CanPath, elle a répondu à une question qui prend de l’importance à mesure que les données synthétiques gagnent en popularité dans la recherche et l’enseignement : comment pouvons-nous dire si les données synthétiques protègent réellement la vie privée? 

En travaillant dans le cadre sécurisé de CanPath avant la diffusion de toute donnée, elle a évalué 1039 participants au projet BC Generations pour tenter de répondre à une question clé : si quelqu’un essayait de remonter à partir des archives synthétiques, pourrait-on dire si les données d’une personne réelle ont été utilisées pour créer ces données synthétiques? 

« Pour 1 017 participants, soit près de 98 % des personnes étudiées, l’évaluation n’a fait ressortir aucune trace détectable. » Mais pour les 2 % restants, leur contribution pouvait encore être détectée, même si les données avaient passé avec succès chaque contrôle de qualité habituel », a affirmé la Dre Al-Saidi. 

Parallèlement à ces résultats, l’évaluation a révélé un profil inattendu dans l’ordonnancement des archives synthétiques. Comme l’évaluation a été effectuée avant la diffusion, ce profil a été identifié et examiné avant que des données ne soient partagées. Comme le souligne la Dre Al-Saidi, c’est précisément la raison pour laquelle il importe de vérifier la confidentialité plutôt que de la supposer.  

Une collaboration fondée sur des objectifs communs 

Le projet a réuni la recherche universitaire sur la protection de la vie privée et l’expertise de CanPath en matière de données. Le groupe de recherche du Dr Kobti à l’Université de Windsor a contribué aux méthodes d’évaluation de la protection de la vie privée, tandis que l’équipe de CanPath a fourni l’ensemble de données synthétiques, un accès sécurisé à l’environnement d’évaluation et une connaissance approfondie de la cohorte. 

« Le travail de Reem avec CanPath ne prenait pas pour acquis la confidentialité des données synthétiques. » Elle l’a testé rigoureusement sur la cohorte de CanPath, et ses conclusions ont changé la façon dont nous envisageons le partage de données génomiques. « Le prix du meilleur article qu’elle a reçu est amplement mérité, et je suis fier de ce qu’elle a accompli », a déclaré le Dr Ziad Kobti.

Pour CanPath, ce projet démontre la valeur de mettre à disposition des données synthétiques aux fins de la recherche et de l’enseignement. En donnant aux chercheurs la possibilité d’étudier des questions du monde réel, les ensembles de données synthétiques peuvent faire plus que de soutenir l’apprentissage. Ils peuvent contribuer à faire progresser le domaine lui-même. 

Les données génomiques synthétiques utilisées dans l’étude ont été recréées et préparées par Amy Li, stagiaire à CanPath. Initialement conçu pour appuyer l’enseignement et la recherche en génomique, l’ensemble de données a servi de base à des travaux qui ont apporté de nouvelles connaissances à un domaine en évolution de la recherche sur la protection de la vie privée. 

« J’étais tellement fière pour Reem et pour l’équipe », a déclaré Amy Li.

« Le travail que nous faisons est vraiment important. » 

La recherche de la Dre Al-Saidi est un exemple de ce qui peut être fait avec les ressources en données synthétiques de CanPath et de la façon dont la recherche ouverte et collaborative peut renforcer la protection de la vie privée sur laquelle comptent les participants. 

Que vous soyez enseignant, étudiant ou chercheur, les ensembles de données synthétiques de CanPath offrent des occasions d’explorer des questions réelles, de développer de nouvelles compétences et de tester des idées novatrices. Pour en savoir plus et faire une demande d’accès : L’ensemble de données synthétiques de CanPath