Anonpsy：面向精神病学叙事结构保留去标识化的图引导框架
计算与语言
2026-04-17 v2
摘要
精神病学叙事不仅通过显式标识符，还通过嵌入其临床结构中的特异性生活事件来编码患者身份。现有的去标识化方法，包括 PHI 掩码和基于 LLM 的合成重写，在文本层面操作，对保留或更改哪些语义元素的控制有限。我们引入了 Anonpsy，一个将去标识化任务重新表述为图引导语义重写的框架。Anonpsy (1) 将每个叙事转换为编码临床实体、时间锚点和类型化关系的语义图；(2) 应用图约束扰动，在保留临床必要结构的同时修改识别性上下文；(3) 通过图条件化 LLM 生成重新生成文本。在 90 个临床医生撰写的精神病学病例叙事上进行的评估表明，Anonpsy 保留了诊断保真度，同时在专家、语义和基于 GPT-5 的评估下实现了持续较低的重新识别风险。与仅使用强 LLM 重写的基线相比，Anonpsy 产生的语义相似度和可识别性显著降低。这些结果表明，显式的结构化表示与约束生成相结合，为精神病学叙事的去标识化提供了一种有效的方法。
引用
@article{arxiv.2601.13503,
title = {Anonpsy: A Graph-Based Framework for Structure-Preserving De-identification of Psychiatric Narratives},
author = {Kyung Ho Lim and Byung-Hoon Kim},
journal= {arXiv preprint arXiv:2601.13503},
year = {2026}
}
备注
ACL 2026 Findings