Oct, 2023

验证变压器在真实世界的医疗保健中用于电子健康记录的文本遮蔽

PDF
TL;DR使用基于 Transformer 的模型 AnonCAT，在全球医疗数据中改进了患者隐私保护，通过细调和本地化实现了去标识化算法的真实世界应用蓝图。
patient privacyredactiondeep learning techniqueshealthcare datade-identifying algorithms
发现论文，激发创造
  • 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

  • 医疗文本数据去识别化的 Transformer 模型比较评估

    比较评估了几种变压器模型架构在识别医疗文本中的受保护健康信息方面的表现，ROBERTA-large 模型在 i2b2/UTHealth 2014 语料库中的表现最佳。

    Mar, 2022

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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