编辑推荐：
研究人员针对医疗数据隐私威胁，开展隐私工程研究，提出多种技术和框架，对保障数据安全意义重大。
在当今数字化时代，医疗数据如同宝藏，蕴含着无数关于健康与疾病的秘密。然而，这珍贵的宝藏却面临着诸多威胁。医疗数据泄露事件频发，从 2005 年到 2019 年，约 3900 起健康数据记录泄露事件影响了超 2.49 亿患者。而且，随着技术发展，即使没有个人可识别信息（PII），也能推断出个人敏感特征。比如，通过人工智能（AI）、数据分析和在线资源的结合，可对去标识化数据集进行重新识别，对个人隐私造成严重侵犯。同时，数据隐私与共享之间的矛盾也日益凸显，既要保护患者隐私，又要促进数据共享以推动医疗发展，这成为亟待解决的难题。
为了应对这些挑战，来自斯坦福大学医学院（Stanford University, School of Medicine）、斯坦福计算与数学工程研究所（Stanford Institute for Computational and Mathematical Engineering）、加州大学伯克利分校信息科学学院（University of California Berkeley, School of Information Science）和加州大学伯克利分校全球有效行动中心（University of California Berkeley, Center for Effective Global Action）的研究人员展开了深入研究。他们的研究成果发表在《npj Digital Medicine》上，为医疗数据隐私保护提供了新的思路和方法。
在研究中，研究人员采用了多种关键技术方法。一方面，对不同类型的隐私增强技术（PETs）进行研究分析，包括差分隐私（DP）、同态加密（HE）、安全多方计算（SMC）、联邦学习（FL）和合成数据等，探讨其在医疗数据保护中的应用；另一方面，构建了医疗数据隐私框架，从任务、数据类型、用户角色和时间界限等多维度考量数据隐私保护策略。
研究结果如下：
- 当代隐私威胁：除了传统的网络攻击导致数据泄露外，还有多种新的隐私威胁出现。在去标识化数据集方面，看似无害的数据可用于重新识别个人身份，AI 的发展更是加剧了这种风险，如通过训练 AI 系统可从匿名胸部 X 光图像、心电图（ECG）等数据中推断身份；在聚合数据集方面，成员推理攻击（MIA）可辨别个体是否存在于聚合数据中，差异攻击也能通过查询结果的差异揭示个体信息；在 AI 模型方面，AI 模型不仅易受 MIA 攻击，还面临训练数据提取攻击和模型反演攻击等，导致训练数据中的敏感信息泄露。
- 伦理考量和立法策略：传统的数据隐私和共享准则难以应对当代数据共享和隐私威胁。不同地区的立法保护存在差异，美国的《健康保险流通与责任法案》（HIPAA）对数据保护存在局限性，欧盟的《通用数据保护条例》（GDPR）则更广泛地保护健康和个人数据。但总体而言，将技术转化为实际解决方案面临伦理、法律和技术挑战。
- 隐私框架：提出以生物医学任务为核心的隐私框架，该框架从特定任务、数据类型、预期用户和数据访问时间界限四个维度进行评估，可指导数据发布，减少下游隐私风险。例如，在数据类型方面，颗粒数据（如临床检查的详细数据）隐私风险高，可通过泛化技术保护；聚合数据（如临床单位的结果跟踪数据）隐私保护相对较好。
- 隐私工程技术：介绍了多种隐私增强技术（PETs）及其特点和应用场景。差分隐私（DP）通过添加噪声实现隐私保护，可防止多种隐私攻击，但会降低数据准确性，更适用于群体任务；同态加密（HE）允许在加密数据上进行计算，保护数据存储和处理过程中的隐私，但计算时间较长；安全多方计算（SMC）可实现去中心化计算，保护数据集不被泄露，但存在计算复杂性问题；联邦学习（FL）用于联合训练 AI 模型，结合其他技术可增强隐私保护，但存在数据保护和样本分布问题；合成数据可在一定程度上保护隐私，但存在数据类型和准确性限制。
研究结论和讨论部分强调，医疗数据隐私威胁不断演变，传统隐私实践和立法受到挑战。新兴的非传统隐私威胁影响巨大，需要新的解决方案来平衡隐私保护和数据利用。多种隐私解决方案各有优劣，应纳入综合框架考虑。未来的医疗数据隐私保护需以患者为中心进行共享决策，涉及多方利益相关者，包括数据所有者、伦理学家、医疗机构、研究机构、行业、法律专家和政府等。这一研究为解决医疗数据隐私问题提供了全面的思路和方法，对推动医疗数据的安全使用和医疗行业的健康发展具有重要意义。
