自动化临床文本匿名化有潜力在保护患者隐私和安全的同时促进医疗数据的广泛共享，本论文提出了基于大型语言模型的新评估指标，并通过与基准技术的比较研究证明了大型语言模型在临床文本匿名化领域的可靠性，为可信的临床文本匿名化铺平了道路。

May, 2024

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

该研究探讨了文本匿名化在保护数据隐私和遵守相关法律方面的困境和挑战，并提出了一种名为 TILD 的评估标准来衡量匿名化方法的性能和信息损失，以及人类重新识别隐去文档的能力，为实现匿名化性能标准化提供了可能。

Mar, 2021

本研究探讨了不同的假名化技术在各种数据集和用于两种广泛使用的 NLP 任务（文本分类和摘要）的模型中的有效性，重点关注假名化技术对原始数据和模型质量之间差距的关键见解，并促进未来研究更高质量的匿名化技术，以更好地平衡数据保护和效用保护之间的权衡。其中，代码、假名化数据集和下游模型均可公开获取。

Jun, 2023

本研究通过对比分析使用转换器模型和大型语言模型 (LLM) 与传统架构进行文本匿名化任务的性能，评估了几种模型的表现，并展示了每种方法的优点和缺点，为研究人员选择最合适的模型提供了明确的视角。

Apr, 2024

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

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

在数字化时代，面对不断升级的隐私问题，要制定强大的策略来保护个人数据同时保持文本信息的内在价值变得非常重要。本研究全面研究了文本匿名化方法，重点关注了条件随机场（CRF）、长短期记忆（LSTM）、语言模型嵌入（ELMo）以及变形能力的 Transformer 架构。每个模型都有其独特的优势，LSTM 能够建模长期依赖关系，CRF 能够捕获单词序列之间的依赖关系，ELMo 利用深度双向语言模型提供上下文单词表示，而 Transformer 引入了自注意机制以提供增强的可扩展性。我们的研究定位于对这些模型进行比较分析，强调它们在应对文本匿名化挑战方面的协同潜力。初步结果表明，相较传统方法，CRF、LSTM 和 ELMo 单独表现更好。当与其他模型同时比较时，引入 Transformer 提供了在当代环境中实现最佳文本匿名化的更广泛视角。

May, 2024

通过使用基于值通用化层次结构的匿名化技术来模糊准标识符，广泛用于实现预设的隐私级别。本文研究了四种经典的机器学习方法，以分类为目的，分析了应用匿名化技术和为每个方法选择的参数的结果。使用广为人知的成年人数据集，在变化的 K 值、L - 多样性、T - 接近度和 delta 披露隐私方面部署这些模型的性能得到了研究。

May, 2023