基于几何算子的数据隐私保护EHR转换：人类-人工智能协同设计技术报告
密码学与安全
2026-03-25 v1 机器学习
摘要
电子健康记录（EHR）及其他真实临床数据是临床研究、医学人工智能和生命科学的关键，但其共享受隐私、治理和互操作性约束的严重限制。这些障碍导致持续的数据孤岛，阻碍了多中心研究、大规模模型开发以及更广泛的生物医学发现。现有的隐私保护方法，包括多方计算和相关密码学技术，提供了强大的保护，但常常引入显著的计算开销，降低了大规模机器学习和基础模型训练的效率。此外，许多此类方法使数据对受限计算可用，却使其对临床科学家和研究人员实际不可见，这限制了其在仍需直接检查、探索性分析和人类解释的工作流程中的价值。我们提出了一个面向隐私保护共享结构化临床记录的真实世界数据转换框架。与其将数据转换为不可见的表示，我们的方法构建保留医学语义和主要统计特性的转换数值视图，在明确指定的威胁模型下，严格破坏这些视图与受保护患者水平属性之间的直接关联。通过计算机科学家与AI代理SciencePal的协作，后者作为受人类指导约束的工具发明者，我们设计了三个在该威胁模型下不可逆的转换算子，以及针对高风险情形的额外混合策略，配合理论分析和在重建、记录链接、成员推断和属性推断攻击下的实证评估。
引用
@article{arxiv.2603.22954,
title = {Privacy-Preserving EHR Data Transformation via Geometric Operators: A Human-AI Co-Design Technical Report},
author = {Maolin Wang and Beining Bao and Gan Yuan and Hongyu Chen and Bingkun Zhao and Baoshuo Kan and Jiming Xu and Qi Shi and Yinggong Zhao and Yao Wang and Wei Ying Ma and Jun Yan},
journal= {arXiv preprint arXiv:2603.22954},
year = {2026}
}