[Paper] 网络医疗中的大规模隐私

Source: arXiv - 2601.04298v1

概述

论文 “Privacy at Scale in Networked Healthcare” 探讨了互联、数据丰富的健康系统的前景与日益增长的隐私泄露风险之间的紧张关系。作者通过提出一个覆盖整个医疗数据生命周期的统一、决策理论驱动的差分隐私框架，描绘了一条可在多机构合作规模上实现的 隐私即设计（privacy‑by‑design）路径。

关键贡献

• Decision‑theoretic Differential Privacy (DP): 将经典DP扩展为考虑效用的预算，实现对隐私损失与临床洞察之间的显式权衡，适用于异构健康数据源。
• Network‑aware Privacy Accounting: 引入能够捕获患者、传感器和组织之间相互依赖性的模型，防止通过相关数据流产生的隐藏隐私泄漏。
• Compliance‑as‑Code Toolkit: 提供原型“隐私预算账本”和控制平面 API，使健康系统能够以编程方式展示监管尽职（HIPAA、GDPR 等）。
• Comprehensive PET Landscape Synthesis: 将联邦分析、密码计算和 DP 技术映射到具体的医疗保健用例，揭示研究原型与生产部署之间的差距。
• Deployable Agenda & Testbed Blueprint: 概述逐步部署计划——包括共享测试平台、PET 素养项目以及协同控制平面——以实现真实世界的采用。
• Illustrative Multi‑Institution Scenarios: 演示该框架如何支持多站点临床试验、基因组学联盟、疾病监测网络和移动健康（mHealth）应用。

方法论

1. 文献与全景审查 – 调查用于健康领域的现有隐私增强技术（PET），按数据类型（临床、基因组、传感器）和部署模型（集中式、联邦式、加密式）进行分类。
2. 决策理论 DP 模型 – 基于经典 ε‑DP，引入量化查询临床价值的效用函数。优化例程在一系列分析中分配 隐私预算，以在满足全局隐私约束的前提下最大化期望效用。
3. 网络感知会计 – 使用图论表示数据相互依赖；模型在关联节点之间传播隐私损失（例如患者的可穿戴设备数据与其 EMR）。总预算会根据相关性引起的放大进行调整。
4. 合规即代码原型 – 实现了记录预算消耗、审计日志和策略检查的账本。控制平面在参与站点之间编排 PET 组件（DP 噪声注入、安全聚合、同态加密）。
5. 用例仿真 – 在合成的多站点试验数据和真实基因组数据集上进行端到端实验，以评估隐私预算消耗、模型准确性和合规报告开销。

结果与发现

• 实用性保留：决策理论预算实现了预测性能损失低于 3 %，且仍在严格的隐私上限内。
• 关联感知节省：考虑网络相互依赖后，相比于朴素的逐节点预算，总体 ε 消耗降低约 20 %。
• 监管透明度：合规即代码账本自动生成可审计证据，估计将人工报告时间缩短约 70 %。

Practical Implications

• For Developers: 控制平面 API 提供熟悉的 REST/gRPC 端点，用于调用 DP 噪声添加、安全聚合和预算检查，使得可以轻松将隐私控制直接嵌入现有分析流水线。
• For Health IT Vendors: 隐私预算账本可以与 EHR 审计日志集成，实现“隐私优先”的数据共享合同，满足 HIPAA 的“最小必要”规则，无需为每个数据集进行定制的法律审查。
• For Researchers & Data Scientists: 决策理论的 DP 提供了一种原则性的方法来规划实验——准确了解在给定隐私预算下会牺牲多少效用——从而促进可重复、合规的多机构研究。
• For Regulators: 代码即合规的方法提供了可验证、机器可读的工件，展示了尽职尽责，可能减轻合规审计的负担，并促进数据驱动的健康创新更快获得批准。

Limitations & Future Work

• 安全聚合的可扩展性 – 原型处理了数十个站点；参与者超过几百人时性能下降；优化密码协议仍是一个未解决的挑战。
• 真实世界部署验证 – 实验使用了合成数据和有限的公共数据集；需要在实际医院网络中进行大规模现场试验，以评估运营开销和利益相关者的采纳情况。
• 动态预算管理 – 目前的预算假设每项研究都有一个静态的 ε 预算；未来工作将探索基于中期结果和不断变化的监管约束的自适应重新分配。
• 面向用户的隐私控制 – 框架侧重于机构层面的隐私计量；将模型扩展为让患者能够对其数据进行细粒度、基于同意的控制是下一重要步骤。

作者

• M. Amin Rahimian
• Benjamin Panny
• James Joshi

论文信息

• arXiv ID: 2601.04298v1
• 分类: cs.CR, cs.CY, cs.ET, cs.SE
• 出版日期: 2026年1月7日
• PDF: 下载 PDF