SoK：医疗保健中隐私感知的大语言模型：威胁模型、隐私技术、挑战与建议
密码学与安全
2026-01-16 v1 机器学习
摘要
大语言模型（LLMs）越来越多地被用于医疗保健领域，以支持临床决策、总结电子健康记录（EHRs）并提升患者护理水平。然而，由于临床数据的敏感性和医疗工作流程的高风险性，这种整合带来了显著的隐私和安全挑战。这些风险在异构部署环境中变得更加突出，这些环境范围从小型本地医院系统到区域健康网络，每个环境都有独特的资源限制和监管要求。本系统化知识梳理（SoK）考察了在现实医疗保健场景中，大语言模型三个核心阶段——数据预处理、微调和推理——不断演变的威胁格局。我们提出了一个详细的威胁模型，描述了每个阶段的对手、能力和攻击面，并系统化了现有隐私保护技术（PPTs）如何尝试缓解这些漏洞。虽然现有的防御措施显示出前景，但我们的分析指出了在不同运营层级中保护敏感临床数据方面持续存在的局限性。我们最后提出了针对各阶段的建议和未来的研究方向，旨在加强受监管环境中大语言模型的隐私保障。这项工作为理解医疗保健中大语言模型、威胁和隐私的交叉点奠定了基础，为构建更稳健、临床可信赖的人工智能系统提供了路线图。
引用
@article{arxiv.2601.10004,
title = {SoK: Privacy-aware LLM in Healthcare: Threat Model, Privacy Techniques, Challenges and Recommendations},
author = {Mohoshin Ara Tahera and Karamveer Singh Sidhu and Shuvalaxmi Dass and Sajal Saha},
journal= {arXiv preprint arXiv:2601.10004},
year = {2026}
}