面向零外泄 psychiatric AI: 面向隐私保护的心理健康决策支持的设备内 LLM 部署
人工智能
2026-04-21 v1
摘要
隐私是心理医疗 AI 采纳中最关键却最少被关注的障碍 — — 特别是在如军队、矫正机构和偏远医疗环境等高敏感度操作环境中,风险较高,患者数据暴露可能完全阻止求助行为。现有的 AI 辅助精神医学决策支持系统主要依赖云端推理管道,要求敏感患者数据离开设备并遍历外部服务器,在此类情境下造成不可接受的隐私和安全风险。本文提出一种零外泄、面向设备的 AI 平台,用于隐私保护的精神医学决策支持,该平台部署为跨平台移动应用程序。该系统在重新构架推理管道以实现完全本地执行后,扩展了我们先前关于精神诊断标准化的轻量级 LLM 联盟工作 — — 确保在任何阶段都不会将患者数据传输给、由外部服务器处理或存储。该平台集成了三个轻量级、经过微调且量化的开源 LLM — — Gemma、Phi-3.5-mini 和 Qwen2,这些模型因其紧凑的架构和在资源受限移动硬件上的 proven 效率而被选中。设备内编排层协调 ensemble 推理和基于共识的诊断推理,产生符合DSM-5标准的评估,用于诊断特定疾病。该平台旨在帮助临床医生进行鉴别诊断和与证据关联的症状映射,同时以适当的临床安全措施支持患者自我筛查。初始评估表明,所提出的零外泄部署在保持与服务器端前身相当的诊断准确性的同时,仍能在普通移动硬件上维持实时推理延迟。
引用
@article{arxiv.2604.18302,
title = {Toward Zero-Egress Psychiatric AI: On-Device LLM Deployment for Privacy-Preserving Mental Health Decision Support},
author = {Eranga Bandara and Asanga Gunaratna and Ross Gore and Anita H. Clayton and Christopher K. Rhea and Sachini Rajapakse and Isurunima Kularathna and Sachin Shetty and Ravi Mukkamala and Xueping Liang and Preston Samuel and Atmaram Yarlagadda},
journal= {arXiv preprint arXiv:2604.18302},
year = {2026}
}