目的：色眼底写真（CFP）において、疾患を考慮した敵対的攻撃が、緑内障分類を保持しつつ人口属性の分類を攪乱し得るか、またその効果がモデル構成間で転移するかを検証する。方法：本後ろ向き研究では、4,271人の患者から得た13,959枚のCFPを含めた。Vision Transformer（ViT）モデルは緑内障、人種、性、ならびに民族性を分類した。標準型および疾患を考慮したFGSM、PGD、C&W、ならびに拡散攻撃は人口属性予測を変化させた。疾患を考慮した攻撃では緑内障分類の損失項を追加した。固定化されたViT生成摂動をResNet50およびEfficientNetB0で試験した。評価は、受信者動作特性曲線（AUC）下面積、正確度、ならびに画像類似性指標を用いて測定した。結果：ベースラインの緑内障AUCは0.958-0.963、人口属性AUCは0.955-0.992であった。疾患を考慮した攻撃は緑内障分類をより良好に保持しながら、人口属性予測を強く変化させた。疾患を考慮したPGDは、性コホートの緑内障AUCを0.909（95% CI, 0.894-0.922）に保った一方で、性のAUCは0.000（95% CI, 0.000-0.000）へ低下した。疾患を考慮した拡散は、民族性コホートの緑内障AUCを0.946（95% CI, 0.936-0.956）に保った一方で、民族性のAUCは0.001（95% CI, 0.000-0.002）であった。人口属性の変化はResNet50およびEfficientNetB0には十分に転移しなかった。結論：PGD、C&W、ならびに拡散において、疾患を考慮した攻撃は標準型攻撃よりも緑内障分類性能をより多く保持しつつ、標的とした人口属性予測を強く攪乱した。弱いクロスアーキテクチャ転移は、人口属性情報の除去というよりはモデル依存的な効果を示唆する。翻訳的関連性：網膜画像から機微情報を低減することを意図した手法は多施設AI開発を支援し得るが、ある人口属性分類器の失敗は匿名化を確立しない。疾患分類を保持しつつモデル横断で評価することは、臨床データ共有のためのより信頼性の高い枠組みを提供し得る。
https://doi.org/10.64898/2026.06.23.26356379