Nov, 2022

一种易于使用且稳健的差分隐私临床文本去识别方法

PDF
TL;DR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。
unstructured textual datahealthcare systemspersonal informationnamed entity recognition (ner)differentially private de-identification approach
发现论文，激发创造
  • 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

  • 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

  • 超越准确性：大规模真实世界临床文本数据的自动化去识别

    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

  • 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

    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

  • 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

  • 比较基于规则、特征和深度神经方法在荷兰医疗记录去识别化方面的效果

    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

  • 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

  • 基于神经语言模型的可共享合成临床记录自动生成技术的研究

    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

  • 无监督文本去识别化

    该研究提出了一种利用未标记数据进行自动去识别的方法，采用一种特殊的训练模型来识别红 acted 个人文档中的个人信息，并在保护个人信息的前提下最小化正确识别文档的难度，此方法在去除标示实体的同时更彻底地去识别文档，相较于其他无人监督的方法性能更优。

    Oct, 2022

  • 在临床领域进行联合去标识化和概念提取，缩小差距

    本研究聚焦于在医疗领域中对自然语言处理的实际应用，通过研究数据的自动匿名化对概念提取的影响，探究得到同时考虑隐私信息保护和概念提取的最新解决方案。结果表明提出的多任务模型 F1 值达到了 96.1% 和 88.9%，取得了当前最先进的技术水平。

    May, 2020