ACLJun, 2019

针对医疗记录去标识化的保护隐私文本表示的对抗性学习

PDF
TL;DR本论文提出使用 LSTM-CRF 模型和隐私保护技术，创造出不含保护健康信息的医疗文本表示来训练医疗文本去识别化，达到了 97.4% 的 F1 得分。
de-identificationprotected health informationelectronic health recordsprivacy-preservinglstm-crf
发现论文，激发创造
  • 利用自然语言处理进行临床自由文本去识别的当前方法综述

    电子健康记录（EHRs）是数据驱动型医学研究的宝贵资源，而去识别（即去除个人健康信息）是使 EHR 数据可供研究目的共享的关键步骤。本研究系统审查了过去 13 年临床自由文本去识别的发展，并报告了目前最先进系统的性能和局限性，并识别了该领域的挑战和研究机会。

    Nov, 2023

  • 患者笔记去识别化的深度学习架构：实现和评估

    本文基于深度上下文词嵌入和变分的 Bi-LSTM 模型，使用最新的自然语言处理技术，实现从临床记录中去除个人身份信息的任务，以两个黄金标准数据集为基础，并证明该架构在性能上达到了最先进的水平，同时在没有使用字典或其他知识源的情况下， 收敛速度更快。

    Oct, 2018

  • 基于现代命名实体识别技术的自由文本健康记录去识别化基准测试

    本研究旨在探究采用基于深度学习的命名实体识别 (NER) 方法在坚持保留医疗数据隐私的前提下，如何更好地去识别和去除医疗记录中的敏感信息，进而使得医疗数据可以用于科学研究。其中，BiLSTM-CRF 被发现是最佳的编码 / 解码器组合方式之一；字符嵌入和 CRF 的使用倾向于在精度和召回率之间做出权衡；而单独使用 Transformer 作为上下文编码器的效果相对较差。未来的研究可以尝试结构化医疗文本以获得更好的语义和句法信息，以进一步提高 EHR 去识别效果。

    Mar, 2021

  • 一种易于使用且稳健的差分隐私临床文本去识别方法

    本研究提出了一种可靠的具有差分隐私技术的去识别名字实体的替换方法，使用此方法可以对法语临床文件进行去识别，并且具有扩展性和可靠性。

    Nov, 2022

  • 利用循环神经网络进行患者笔记的去识别化

    该研究基于人工神经网络模型，提出了一种无需人为特征设计和规则的自动化病历去识别系统，其在两个数据集上的表现优于现有系统，支持使用 ANNs 进行病例记录的去识别。

    Jun, 2016

  • 去标识化文本转化的隐私保证

    本文基于差分隐私原理给出了关于基于文本转换的去识别化方法的形式化隐私保证，并探究了不同的掩盖策略对与自然语言处理任务的影响。作者发现，只有通过深度学习模型进行逐字替换的方法是在多个任务中具有鲁棒性的。

    Aug, 2020

  • 临床数据仓库中自然语言处理算法的开发和验证，用于匿名化文件

    本研究的目标是解决临床报告去识别化的问题，以允许访问数据以进行研究，同时确保患者隐私。作者通过使用深度学习模型和手动规则，对临床文件进行伪匿名化，取得了 0.99 的 F1 评分，并分享了相关代码和指南。

    Mar, 2023

  • 自动去识别纵向临床叙述的调查

    本文探讨了对医疗数据进行去识别化处理的技术的发展与趋势，重点关注了从规则到深度学习的技术演变，以及 2014 年和 2016 年竞赛的结果和可能的研究问题。

    Oct, 2018

  • 增强特征神经网络用于患者笔记去识别

    本论文提出将人工设计的特征和来自电子健康记录的特征加入到基于神经网络的患者笔记去识别系统中，结果显示特征的加入进一步提高了患者笔记去识别的水平，建议开发者应该利用电子健康记录中的信息。

    Oct, 2016

  • DeID-GPT：GPT-4 零痕迹医疗文本去识别

    该研究使用 GPT-4 大型语言模型开发了一种名为 DeID-GPT 的新的医学文本数据去识别框架，通过在医学领域使用零 - shot 上下文学习识别模型保护隐私信息，并保留文本的原始结构和含义，比起现有方法 DeID-GPT 的准确性最高，可在更广泛的情境下使用。

    Mar, 2023