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

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

构建一个自动化系统以去识别超过十亿条临床笔记，通过使用混合的基于上下文的模型体系结构，在可靠且链接的匿名文档方面提供实用的解决方案。

Dec, 2023

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

本研究构建了一个数据集，测试了三种去匿名化方法在荷兰三个领域的医学记录中的泛化能力。结果显示，基于规则的方法不能很好地推广到新数据，而最新的神经网络结构则表现出色，在有限的训练数据下也能跨语言和领域表现出良好的性能。

Jan, 2020

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

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。

Jun, 2019

研究使用生成模型生成合成临床笔记，以更好地保护患者隐私并促进临床 NLP 模型的开发。

May, 2019

我们开发了一种基于联邦自然语言处理的方法，能够利用来自不同医院或诊所的临床笔记，改进特定临床任务的质量，并促进整个医疗保健系统的知识进步。这是联邦机器学习在临床自然语言处理中的第一次应用。

Aug, 2019

本文实证展示了预训练语言模型在多语言跨领域少样本学习任务中的交叉语言迁移特性，并将其应用于解决缺乏数据和真实世界挑战的混合代码（西班牙语 - 加泰罗尼亚语）临床笔记：保护个人隐私信息的命名实体识别。

Apr, 2022