《Journal of Radiation Research and Applied Sciences》：Big data security in radiation and healthcare analytics: Challenges and solutions
编辑推荐：
与放射相关的医疗数据是价值极高的数据，包含与这些数据的临床、机构及运营方面相关的敏感信息。本研究基于技术、组织及监管预测因子，设计并测试了将放射数据安全（Radiation Data Security, RDS）预测和分类为三个安全等级的机器学习模型。所考虑的
与放射相关的医疗数据是价值极高的数据，包含与这些数据的临床、机构及运营方面相关的敏感信息。本研究基于技术、组织及监管预测因子，设计并测试了将放射数据安全（Radiation Data Security, RDS）预测和分类为三个安全等级的机器学习模型。所考虑的变量包括：加密强度、访问控制机制、数据匿名化、系统架构复杂性、机器学习威胁检测、法规合规性、数据完整性与质量、安全协议、数据共享机制、审计与日志系统、数据备份与恢复系统、云服务提供商安全性、用户意识与培训以及实时威胁监控。所使用的监督模型包括决策树（Decision Tree）、支持向量机（Support Vector Machine, SVM）和随机森林（Random Forest）。采用混淆矩阵、准确率、Kappa统计量、精确率、召回率、F1分数、特异性和平衡准确率来衡量模型性能。决策树取得了最高的准确率（97.31%），其次是随机森林（96.85%），而SVM表现较低，尤其是在类别2上。结果表明，对于当前数据集，模型具有良好的内部分类准确率，但仍需进一步的外部验证以确认其对其他医疗环境的泛化能力。
论文解读
一、研究背景与问题
医疗行业是当今世界上数据需求最大的行业之一。随着电子健康记录（Electronic Health Records, EHRs）、医学影像、可穿戴设备、基因组测序、实验室系统及放射治疗设备等数字化医疗系统的快速发展，医院、诊断实验室、研究中心和医疗机构每天产生海量数据。这些庞大而复杂的结构化与非结构化数据集合通常被称为大数据。大数据分析能够用于早期疾病识别、患者风险预测和循证临床决策支持，显著提升了医疗系统的效率、准确性和响应能力。
在医疗领域中，放射医疗与放射学是数据最为密集的领域之一。计算机断层扫描（Computed Tomography, CT）、磁共振成像（Magnetic Resonance Imaging, MRI）、正电子发射断层扫描（Positron Emission Tomography, PET）和放射治疗计划系统等医疗系统产生大量复杂医学数据。人工智能（Artificial Intelligence, AI）和机器学习（Machine Learning, ML）的应用极大地增强了肿瘤检测、治疗计划、放射剂量优化和临床决策支持系统的能力。
然而，随着医疗系统数字化程度的不断提高，数据安全、隐私和保密性问题日益突出。医疗信息高度敏感，包含患者记录、诊断信息、财务数据和遗传信息，一旦泄露将直接影响患者安全和信任。随着更多机构采用云计算、物联网（Internet of Things, IoT）医疗设备和医院网络，攻击面显著扩大，勒索软件攻击、网络钓鱼、恶意软件攻击、内部威胁和未授权访问等网络安全威胁日益频繁和复杂。在放射医疗系统中，这些威胁尤为关键，因为成像和治疗信息的任何篡改或操纵都可能导致辐射剂量错误，引发致命性的患者安全问题。
此外，在大规模医疗环境中保持监管标准和安全的数治理也是一项关键挑战。分布式大数据系统中数据存储于不同平台和机构，合规性难以实现；互操作性、可扩展性、数据标准化问题和访问控制不足进一步增加了安全医疗数据管理的难度。现有研究多聚焦于单一安全技术或一般性医疗数据保护方案，缺乏将放射数据安全作为多类别分类问题、综合考虑多种技术、组织、监管、监控和恢复相关安全因素的综合研究。
二、研究内容与意义
本研究旨在填补上述研究空白，采用定量研究设计和机器学习分类方法，对2020至2025年间的放射数据安全（RDS）进行分类研究。研究的核心目标是评估各种技术、组织和监管因素对放射相关医疗数据保护的影响。研究将放射数据安全作为三水平分类变量，基于加密强度、访问控制机制、数据匿名化、系统架构复杂性、机器学习威胁检测、法规合规性、数据完整性与质量、安全协议、数据共享机制、审计与日志系统、数据备份与恢复系统、云服务提供商安全性、用户意识与培训以及实时威胁监控等14个预测变量进行分类建模。
研究的创新之处不在于提出新的机器学习算法，而在于将已知分类算法综合应用于放射数据安全领域，将放射数据安全呈现为多类别预测问题，同时考虑多种技术、组织、监管、监控和恢复相关的数据安全因素。研究在统一的分析框架下比较了C5.0决策树、随机森林和支持向量机三种模型的整体及类别性能，并通过特征重要性分析确定对分类影响最大的安全因素。研究结果发表于《Journal of Radiation Research and Applied Sciences》。
三、关键技术方法
研究人员使用了一个合成生成的数据集，代表放射背景下医疗数据环境的安全状况，涵盖2020至2025年，共3600条观测记录。数据集中类别0有1670条（46.39%），类别1有1856条（51.56%），类别2仅有74条（2.06%），类别2为显著的少数类。数据集按70:30比例划分训练集和测试集，使用set.seed(123)确保类别比例在训练和验证数据中得到保留。训练集包含1169条类别0、1300条类别1和52条类别2观测；测试集包含501条类别0、556条类别1和22条类别2观测。未进行SMOTE、过采样或类别平衡处理。
研究选用了三种互补的监督机器学习范式作为基线分类器：C5.0决策树提供可解释的基于规则的树结构，能够建模非线性关系和预测因子间的交互作用；随机森林通过装袋（Bagging）和特征子空间随机化降低单棵决策树的方差和不稳定性，并提供特征重要性估计；支持向量机（SVM）作为基于边距的非树分类模型，使用径向基函数核建模复杂类别边界。三种模型使用相同的训练-测试划分和性能度量标准进行比较。
四、研究结果
决策树（Decision Tree）
决策树是一种简单且非参数化的监督学习算法，通过属性阈值将数据集划分为更均匀的子集。树结构中每个内部节点代表对属性的测试，每个分支表示测试结果，每个叶节点分配最终类别标签。研究使用熵和基尼不纯度（Gini impurity）两种方法确定最佳分割。熵衡量数据集划分中的不确定性或混乱程度，较低的熵值表示更干净、更均匀的子集；基尼不纯度衡量任意数据点被随机分类时被错误标记的可能性。训练过程中，算法选择使不纯度最小化的特征和阈值，重复此分割过程直到达到最大树深度或最小样本阈值。
随机森林（Random Forest）
随机森林技术构建多棵独立的决策树以减少单棵决策树引起的过拟合问题。它采用两种随机性来源区分不同树：装袋和特征子空间随机化。在装袋中，每棵树的训练集随机有放回地选择；在特征子空间随机化中，每个节点用于分割的特征子空间是随机选择的。所有树构建完成后，它们对新样本的类别进行投票，最终集成预测由多数投票决定。
支持向量机（Support Vector Machine）
支持向量机是一种基于边距的判别分类模型，使用径向基函数（Radial Basis Function, RBF）核建模复杂类别边界，能够处理非线性可分的数据。
模型性能比较
研究使用混淆矩阵、准确率、Kappa统计量、精确率、召回率、F1分数、特异性和平衡准确率评估模型性能。测试结果显示，决策树取得了最高准确率97.31%，随机森林以96.85%紧随其后，SVM性能较低，尤其在类别2上表现不佳。由于类别2是显著少数类，仅靠准确率不足以评估模型性能，研究特别关注了类别2的召回率和精确率。
特征重要性分析
研究进行了变量重要性分析，以发现对放射数据安全分类影响最大的变量，识别出在网络安全和治理中对分类有更显著影响的特征。
五、讨论与结论
研究结果表明，三种模型在当前数据集上均具有良好的内部分类准确率，但SVM在少数类预测方面存在明显不足，这凸显了类别不平衡问题对分类性能的影响。研究强调，当前结果基于合成数据集，应被解释为所提出分类框架在实验环境中的性能度量，而非真实患者或医院数据的真实性能表现。模型的泛化能力需要通过独立收集的医疗数据集进行外部验证，才能考虑临床或机构部署。
研究结论认为，将多种技术、组织、监管、监控和恢复相关的安全因素综合纳入放射数据安全分类框架是可行的，决策树和随机森林在该分类任务中表现出较高的分类准确率。然而，少数类预测仍是需要进一步解决的问题。研究建议，未来需要通过来自不同机构、人群、时间段或医疗环境的数据进行独立验证，以证明模型的更大可迁移性。
