临床数据对 AI 训练极其宝贵。医疗记录、临床笔记、影像报告和出院摘要包含通用网络文本无法替代的细微、领域专属语言。但临床数据几乎总是包含受保护的健康信息——PHI——在未完成去标识化的情况下使用它来训练 AI 模型是 HIPAA 违规行为。
对于医疗 ML 团队来说,这创造了一个强制性的第一步:在任何临床文档进入 训练管道之前,PHI 必须被识别、移除或替换,且移除过程必须被记录。
HIPAA 去标识化:两种标准
安全港方法要求移除所有 18 个特定类别的标识符:姓名、地理数据、日期、电话号码、传真号码、邮箱地址、社会安全号码、医疗记录编号、健康计划受益人编号、账号等。
专家确定方法由具有统计知识的专家确定识别个人的风险非常小。更灵活但需要记录的统计论证。
自动化工具遗漏什么
自动化 NER 是唯一在大规模下实用的方法。但没有自动化工具能达到 100% 的 PHI 召回率。更难的情况包括:
- 间接标识符:特征组合可能使患者在小群体中可识别
- 罕见疾病组合:即使移除所有 18 个标识符,患者也可能事实上可识别
- 非标准格式的数字标识符
- 提供者和机构标识符
- 跨文档关联
脱敏管道
完整的 PHI 脱敏管道有五个阶段:
**阶段 1:检测。**运行自动化 NER 的 PHI 检测。使用专门为临床文本训练的模型。
**阶段 2:审查。**将检测到的 PHI 实例呈现给人工审查员确认。高置信度检测可批量确认。低置信度检测需要逐个审查。
**阶段 3:脱敏。**应用脱敏——替换(用占位符如"[患者]"替换姓名)或删除。对于 NLP 训练数据,替换是首选——保 持文档流畅性。
**阶段 4:验证。**在脱敏后的文档上运行第二轮 PHI 检测以捕获残留标识符。
**阶段 5:记录。**每次检测、审查决定和脱敏操作必须被记录,包含时间戳、审查人 ID、文档 ID 和具体标识符类别。
审计日志不可妥协
HIPAA 不仅要求去标识化,还要求去标识化以一种可被 OCR(民权办公室)在调查时审查的方式记录。没有审计日志,你没有防御。
本地部署 vs 云端 PHI 脱敏
通过云 API 运行临床笔记进行 PHI 检测意味着 PHI 被传输到第三方系统并由其处理。在 HIPAA 下,这需要与云提供商签订 BAA。
最安全的方法——也是大多数医疗合规团队要求的——是在组织控制的硬件上完全在本地运行 PHI 检测和脱敏。数据永远不会离开。无需 BAA。无传输风险。

