《Scientific Reports》：Secure electronic health record access control via blockchain, dual-attribute encryption, and large language model-based attribute extraction
编辑推荐：
为解决跨域电子健康记录访问控制与数据隐私保护不足，存在非授权访问风险的问题，研究人员开展了将属性基加密、区块链与大语言模型相结合的研究。该研究通过临床专用大语言模型自动提取医疗记录语义属性，实现了动态、细粒度的访问控制，并利用区块链增强系统可信度与抗攻击能力。结果表明，该框架显著提升了系统安全性与灵活性，实现了高效透明的数据管理。
在数字医疗时代，电子健康记录如同每个人的数字生命档案，它们存储着我们最私密的健康信息，从诊断报告到治疗方案。然而，将这些记录安全、高效地跨医院、跨区域共享，却是一项充满挑战的技术难题。想象一下，一位患者从A城转到B城就医，B城的医生能否快速、安全地获取患者在A城的所有病历？与此同时，如何确保只有授权的医护人员能看到特定类型的敏感信息（例如精神病史或遗传检测结果），而其他无关人员则被拒之门外？这正是当前电子健康记录管理系统面临的“隐私-便利”困局。
传统的数据保护方法，例如基于角色的访问控制，往往过于粗放，无法适应医疗数据复杂多变的访问需求。而更为精细的属性基加密（Attribute-Based Encryption, ABE）技术，虽然可以根据用户的属性（如职务、科室）进行加密授权，却难以融入数据本身的语义特性——它无法区分一份记录里包含的是常规血检数据还是高度敏感的肿瘤基因序列。这就导致了访问策略与数据内容脱节，留下了隐私泄露的隐患。
为了破解这一难题，一项发表于《Scientific Reports》的研究提出了一种创新性的解决方案。研究人员巧妙地将密码学、区块链与前沿的人工智能技术融合，旨在为电子健康记录构建一个既坚固又聪明的“智能锁”。这项研究的核心思路是：不仅要看“谁”在访问，还要理解“访问的是什么”，从而实现真正意义上的情境感知与细粒度控制。
为了回答上述问题，研究人员主要运用了以下几个关键技术方法：首先，设计了基于用户属性和数据属性的双属性加密（Dual-Attribute Encryption）框架，作为访问控制的核心密码学基础。其次，利用领域专用的大语言模型（Large Language Model, LLM），例如ClinicalBERT，来自动化分析和提取非结构化医疗文本中的语义数据属性（如疾病类型、检查项目）。最后，引入区块链技术，以其不可篡改的分布式账本功能，来管理属性密钥、记录访问日志并增强系统的整体可信度与抗攻击能力。本研究通过仿真实验对该框架进行了性能与安全评估。
研究结果
基于LLM的语义属性提取增强了数据情境感知
研究人员通过微调临床领域预训练的大语言模型ClinicalBERT，构建了一个高效的医疗文本属性提取器。该模型能够从医生书写的自由文本病历、检查报告等非结构化数据中，自动识别并提取出关键语义属性，例如“诊断：II型糖尿病”、“检查项目：冠状动脉CT”或“药物：阿司匹林”。实验表明，这种方法相比基于关键词或规则的传统提取方式，准确率有显著提升，为后续的精细化加密提供了可靠的“数据画像”。
集成用户与数据属性的ABE框架实现了动态访问控制
研究构建了一个整合了用户属性（如“心血管内科主治医师”）和上文提取的数据属性（如“记录类型：心电图报告”）的双属性加密系统。访问策略因此变得动态且精细。例如，一条策略可以定义为：“仅当访问者是‘心血管内科医生’且记录内容涉及‘心律失常’时，才允许解密”。这确保了即使同科室的医生，也无法越权查看与自身诊疗无关的敏感信息，从根本上杜绝了内部滥用风险。
区块链技术保障了属性管理的可信与可追溯
研究者将属性密钥的发布、更新与撤销记录在区块链上。任何对用户权限的变更（如医生调离科室）都会形成不可篡改的交易记录，实现了属性生命周期的透明化管理。同时，所有数据访问尝试都会被记录在链，形成完整的审计轨迹。这不仅增强了各方之间的信任，也使得在发生安全事件时能够快速溯源，有效抵御了共谋攻击和事后否认等威胁。
框架评估验证了安全性与效率优势
通过与其他现有电子健康记录安全方案进行对比评估，该研究提出的框架在多个维度上展现出优势。在安全性方面，该框架能有效防御包括共谋攻击、属性伪造在内的多种威胁模型。在效率方面，尽管引入了LLM处理和区块链交易，但其加解密、策略匹配的时间开销在可接受范围内，满足实际医疗场景的实时性要求。评估结果证实，该框架在安全强度和访问控制灵活性上均优于传统方案。
结论与讨论
本研究成功构建并验证了一个融合区块链、双属性加密与大语言模型的电子健康记录安全访问控制框架。其核心结论在于，通过大语言模型引入数据语义层，使得属性基加密从单纯的“身份验证”演进为“情境感知”的智能访问控制，实现了前所未有的控制粒度。同时，区块链的引入解决了分布式环境下属性权威的信任与追溯难题。
这项工作的意义重大。在理论层面，它开拓了人工智能与密码学在数据安全领域的深度交叉融合的新方向，证明了语义理解能够实质性地增强加密策略的智能水平。在实践层面，该框架为构建下一代安全、可信、互联互通的智慧医疗系统提供了可行的技术蓝图。它不仅保护了患者隐私，也促进了医疗数据在合规前提下的价值流通与科研应用，对推动精准医疗和跨机构协作具有重要的支撑作用。当然，研究也指出了未来方向，例如进一步优化LLM提取属性的能耗与速度，以及探索在更大规模医疗联盟链上的部署挑战。
