基于大语言模型的电子健康记录敏感信息去标识化与时间标准化研究

本研究针对电子健康记录(EHR)二次使用中的敏感健康信息(SHI)暴露风险和不一致时间格式问题，创新性地利用大语言模型(LLM)开展去标识化和时间标准化研究。通过SREDH/AI CUP 2023竞赛平台，研究人员使用3244份病理报告构建OpenDeId v2语料库，比较上下文学习(ICL)与微调LLM的性能差异。结果显示，采用低秩自适应(LoRA)微调的中等规模模型(2.8B参数)表现最优，而超过6B参数的模型因过拟合导致性能下降。该研究为医疗隐私保护提供了兼顾性能与合规性的混合方法框架，相关成果发表于《npj Digital Medicine》。

　　

在数字化医疗时代，电子健康记录(EHR)的二次使用为临床研究和个性化医疗带来巨大价值，但同时也伴随着敏感健康信息(SHI)泄露的重大风险。更棘手的是，EHR中杂乱无章的时间表达格式——从"14/02/3014 at 11:42"到"周五"——严重阻碍了数据的有效利用。如何在保护患者隐私的同时，确保时间信息的准确标准化，成为横亘在医疗大数据应用面前的双重挑战。

国立高雄科技大学智能系统实验室联合亚洲大学等机构的研究人员开展了一项开创性研究，探索大语言模型(LLM)在EHR去标识化和时间标准化中的应用。这项发表在《npj Digital Medicine》的研究，通过SREDH/AI CUP 2023竞赛平台，系统评估了不同规模LLM在识别18类SHI和标准化时间表达方面的表现。

研究团队采用三大关键技术方法：1)构建包含3244份病理报告的OpenDeId v2语料库，所有SHI均通过随机日期偏移算法生成替代值；2)使用Pythia模型套件(70M-12B参数)进行上下文学习(ICL)和两种微调策略(全参数微调与LoRA)对比；3)开发混合评估框架，结合精确率、召回率和micro/macro-F₁指标全面衡量模型性能。

【模型性能分析】

研究揭示出显著的规模效应：在ICL模式下，12B参数模型对SHI识别最有效(宏观F₁ 0.621)，而6.9B模型最适合时间标准化任务。当采用LoRA微调时，2.8B参数模型达到性能峰值，验证了"中等规模最优"的假设。特别值得注意的是，超过6B参数的模型出现性能下降，揭示出大数据时代的"逆缩放"现象。

【竞赛结果启示】

来自291个团队的解决方案分析表明，77.2%采用LLM技术。表现最佳的混合系统将Qwen-14B模型与模式匹配相结合，宏观F₁达0.881。研究同时发现，针对数据不平衡问题，采用ChatGPT生成合成数据可使410M小模型的性能提升20%，这一发现为资源受限环境提供了实用解决方案。

【技术突破】

研究团队开发的kNN增强ICL方法，通过选择5个最接近的训练实例作为上下文示例，显著提升了小样本学习效果。而创新的滑动窗口技术，通过聚合跨句子上下文，成功解决了"周五"等相对时间表达的标准化难题。

这项研究的重要意义在于：首先，提出的LoRA微调策略在保持隐私合规性的同时，将计算成本降低70%；其次，证实混合方法在医疗文本处理中的优越性——LLM处理上下文敏感信息(如姓名、机构)，模式匹配则更适合结构化数据(如病历号、电话)；最后，发布的OpenDeId v2语料库成为首个包含时间标准化标注的医疗去标识化资源。

讨论部分特别强调，在生成式AI时代，医疗去标识化系统必须平衡三个关键维度：性能表现、输出可控性和过程可解释性。正如研究者指出的："当处理受HIPAA监管的医疗数据时，能够追踪和验证每个去标识化决策的规则来源，与最终模型性能同等重要。"这一见解为未来医疗AI的合规发展提供了重要方向标。