Privacy as a Service in Digital Health
隐私是健康持续数字化的关键挑战。即将出台的《欧洲通用数据保护条例》（GDPR）正在将这一挑战转化为监管指令。用户同意的提供和跨数据服务的协调将是应对这一挑战的关键。我们建议一个隐私驱动的架构，提供工具，提供用户同意作为一种服务。这使得管理和重用大量数据源，个人和服务之间的私人健康信息成为可能，即使他们事先并不知道。该架构将数据安全和语义描述集成到一个信任查询框架中，为未来的健康服务提供所需的互操作性和合作支持。这种方法通过更安全的数据管理、成本和流程节约、多提供商服务以及基于新兴业务模式的服务，为所有利益相关者带来好处。
2016-05-03 cs.CR cs.CY
ModelChain: Decentralized Privacy-Preserving Healthcare Predictive Modeling Framework on Private Blockchain Networks
跨机构医疗保健预测建模可以加速研究并促进质量改进计划，因此对于国家医疗保健提供优先事项非常重要。例如，如果使用来自多个机构的数据开发预测特定患者组的再入院风险的模型，则该模型将更具有普遍性。虽然存在构建预测模型的隐私保护方法，但大多数都基于集中式架构，这会带来安全性和鲁棒性漏洞，例如单点故障（和单点漏洞）以及意外或恶意修改记录。在这篇文章中，我们描述了一个新的框架，ModelChain，以适应区块链技术的隐私保护机器学习。每个参与站点都有助于模型参数估计，而不会泄露任何患者健康信息（即，各机构之间只交换模型数据，不交换观测数据）。我们将隐私保护在线机器学习与私有区块链网络相结合，应用交易元数据来传播部分模型，并设计了一种新的信息证明算法来确定在线学习过程的顺序。我们还讨论了应用区块链技术解决隐私保护医疗保健预测建模任务的好处和潜在问题，并提高机构之间的互操作性，以支持全国互操作性路线图和国家医疗保健提供优先事项，如以患者为中心的成果研究（PCOR）。
2018-02-06 cs.CR cs.CY
Trustworthy Privacy-preserving Hierarchical Ensemble and Federated Learning in Healthcare 4.0 with Blockchain
本文提出一种基于安全多方计算与区块链的集成联邦学习方法，解决医疗4.0中因隐私限制和机构异构性导致的AI应用滞后问题，实现异构模型协作学习并保障数据完整性与可审计性。
2023-05-16 cs.AI cs.CR
Towards Blockchain-Assisted Privacy-Aware Data Sharing For Edge Intelligence: A Smart Healthcare Perspective
Data61, CSIRO（联邦科学与工业研究组织数据61研究所）；Victoria University（维多利亚大学）；University of Electronic Science and Technology of China（电子科技大学）；University of Technology Sydney（悉尼科技大学）；CNPIEC KEXIN LTD（中国图书进出口科信有限公司）；Xidian University（西安电子科技大学）
针对智能医疗网络中数据共享的隐私泄露和投毒攻击风险，提出基于信任级别的个性化差分隐私模型，利用马尔可夫过程解耦噪声并构建区块链社区模型，有效抵御链接攻击与投毒攻击。
2023-06-29 cs.AI cs.CR
Synthetic Data, Similarity-based Privacy Metrics, and Regulatory (Non-)Compliance
University College London（伦敦大学学院）；Hazy
本文论证基于相似度的隐私度量无法确保合成数据的监管合规性，指出其无法防范 singled out 和 linkability，并忽视了 motivated intruder test。
2024-07-26 cs.AI cs.CR cs.CY
Security and Privacy for Healthcare Blockchains
医疗区块链提供了一种创新的方式来存储医疗信息，执行医疗交易，并在分散的开放医疗网络环境中建立医疗数据共享和数据集成的信任。尽管医疗区块链技术已经引起了工业界、政府和学术界的广泛兴趣和关注，但在医疗行业从业务运营到研究合作的信息共享中部署区块链时，安全和隐私问题仍然是争论的焦点。本文重点介绍了区块链技术在医疗数据共享中的安全和隐私需求，全面分析了安全和隐私风险和需求，并给出了技术解决方案和策略。首先，我们讨论了通过部署医疗保健区块链实现电子医疗数据共享所需的安全和隐私要求以及属性。其次，我们将现有的努力分为三个参考区块链使用场景，用于电子医疗数据共享，并讨论在医疗区块链的三种使用场景中实现这些安全和隐私属性的技术，例如匿名签名，基于属性的加密，零知识证明，智能合约安全验证技术。最后，我们讨论了区块链在医疗保健领域的其他潜在应用场景。我们推测，这项调查将帮助医疗保健专业人员、决策者和医疗保健服务开发人员从概念、风险、需求、开发和部署技术和系统方面获得对医疗保健区块链安全性和隐私性的技术和直观见解。
2021-06-11 cs.CR
The Users' Perspective on the Privacy-Utility Trade-offs in Health Recommender Systems
该研究通过两项 n=521 的联合决策实验，考察用户在健康推荐系统中对 k-匿名与差分隐私等保护机制及数据分享场景的偏好，并据此提出开发建议。
2018-04-13 cs.CR cs.CY cs.HC
A Survey on Privacy of Health Data Lifecycle: A Taxonomy, Review, and Future Directions
该综述梳理健康数据生命周期的10类隐私问题，按阶段适配性分类现有隐私保护方法，提出医疗隐私保护技术分类体系，指出密码技术应用广泛但需适配医疗特殊需求，并给出未来研究方向。
2023-11-09 cs.CR
On the Privacy of Mental Health Apps: An Empirical Investigation and its Implications for Apps Development
越来越多的心理健康服务是通过移动系统提供的，这种模式称为移动健康。尽管移动医疗系统的采用率出现前所未有的增长（部分原因是COVID-19疫情），但对安全漏洞导致的数据隐私风险的担忧也在增加。虽然一些研究从不同的角度分析了mHealth应用程序，包括安全性，但用于心理健康服务的mHealth应用程序中可能存在的数据隐私问题的证据相对较少，其接收者可能特别脆弱。本文报告了一项实证研究，旨在系统地识别和理解心理健康应用程序中包含的数据隐私。我们分析了Google Play商店中排名最高的27款心理健康应用程序。我们的方法使我们能够对应用程序进行深入的隐私分析，涵盖静态和动态分析、数据共享行为、服务器端测试、隐私影响评估请求和隐私政策评估。此外，我们将研究结果映射到LINDDUN威胁分类，描述了威胁如何在所研究的应用程序上表现出来。调查结果揭示了重要的数据隐私问题，例如不必要的权限，不安全的加密实现，以及日志和Web请求中的个人数据和凭据泄漏。此外，由于应用程序的开发没有提供针对可链接性、可检测性和可识别性的万无一失的机制，因此用户分析的风险也很高。在当前的应用生态系统中，第三方和广告商之间的数据共享加剧了这种情况。基于本研究的实证结果，我们提供了建议，供移动健康应用程序的不同利益相关者，特别是应用程序开发人员考虑。[...]
2022-01-22 cs.CR cs.CY
On the Difficulties of Incentivizing Online Privacy through Transparency: A Qualitative Survey of the German Health Insurance Market
今天，在线隐私是监管措施和隐私增强技术的领域。有人建议以外部和公共评估的形式提高透明度，以改善隐私和安全，因为这会暴露出其他隐藏的缺陷。以前的工作已经研究了消费者的隐私态度和行为。然而，人们对组织如何对利用公开“点名羞辱”作为改进激励措施作出反应知之甚少。我们在这方面进行了第一次研究，进行了定性调查，与152个德国健康保险公司。我们用PrivacyScore.org扫描了他们的网站，生成了一个公开的排名，并将结果与保险公司进行了比较。我们获得了27%的回复率。反应从积极反馈到法律威胁不等。在我们的研究中，只有12%的网站-大多数是无应答者-得到改善。我们的研究结果表明，保险公司的斗争，由于不知情，不情愿，和无能，并展示了一般的困难，以保险为基础的方法。
2019-02-22 cs.CR cs.CY
On the Security and Privacy of AI-based Mobile Health Chatbots
针对Google Play商店中16款AI移动健康聊天机器人，采用三阶段方法开展安全隐私实证评估，发现其存在漏洞、隐私问题及合规缺陷，提出改进建议以支撑开发者打造更安全合规的相关应用。
2025-11-15 cs.CR cs.CY
Privacy-Preserving Synthetic Educational Data Generation
Inria Saclay（法国国家信息与自动化研究所萨克莱分院）
机构收集大量的学习痕迹，但出于隐私问题，它们可能不会披露。合成数据的产生为教育研究开辟了新的机会。在本文中，我们提出了一个生成模型的教育数据，可以保护参与者的隐私，并比较合成数据发电机的评估框架。我们将展示如何天真的匿名化可以导致重新识别的威胁，并建议技术，以保证隐私。我们评估我们的方法对现有的大量教育开放数据集。
2022-07-07 cs.AI cs.CR cs.CY
Leveraging Generative AI Models for Synthetic Data Generation in Healthcare: Balancing Research and Privacy
San Jose State University（圣何塞州立大学）；University of Florida（佛罗里达大学）
本文探讨利用GAN和VAE等生成式AI模型生成合成患者数据，以平衡医疗研究中数据访问与隐私保护，并分析其应用、优势、挑战及未来方向。
2023-05-09 cs.AI cs.CR cs.LG
Privacy Implications of Health Information Seeking on the Web
这篇文章探讨了访问健康相关网页的人的隐私风险。所分析的页面数量来自1，986种常见疾病的50个顶级搜索结果。这总共产生了80，124个唯一页面，分析了第三方HTTP请求的存在。91%的网页被发现向第三方发出请求。对URI的调查显示，70%的HTTP Referer字符串包含暴露特定条件、治疗和疾病的信息。这给用户带来了个人身份识别和盲目歧视的风险。对现有政府和公司政策的审查表明，用户没有得到充分保护，无法防范此类风险。
2015-03-06 cs.CR cs.CY
Exploiting Multimodal Biometrics in E-Privacy Scheme for Electronic Health Records
现有的方法来保护隐私的电子健康记录是不够的，现有的医疗法律或他们是过于限制他们的使用。例如，基于灵巧卡的加密系统要求患者始终在场以授权访问医疗记录。由50名医生管理的问卷，以确定和分类不同的电子健康记录属性。该系统采用JAVA和MySQL数据库开发工具，利用患者的多种生物特征信息实现院前监护病历的查询。该系统提供了适用的安全性，当病人的记录与其他从业人员，雇主，组织或研究机构共享。系统评估的结果表明，经过10次不同的模拟，指纹和虹膜的平均响应时间分别为6秒和11.1秒。该系统通过限制暴露给用户的数据量来保护隐私和机密性。该系统还使紧急医疗技术人员能够轻松可靠地访问患者电子健康记录的必要属性，同时仍然使用患者指纹和虹膜来维护数据的隐私和机密性。
2015-02-04 cs.CR cs.CY
Overview of digital health surveillance system during COVID-19 pandemic: public health issues and misapprehensions
由于没有适当的药物和疫苗来预防COVID-19，许多政府正在使用自动化数字医疗监控系统来预防和控制传播。没有足够的文献解释的关注和隐私问题，因此，我们简要解释了本文的主题。我们专注于数字医疗监控系统的隐私问题和不同的细分市场。应在不同部门开展进一步的研究。本文根据已发表的文章提供了一个概述，这些文章并没有太多地关注隐私问题。人工智能和5G网络结合了先进的数字医疗监控系统;而基于蓝牙的接触追踪系统则具有更少的隐私问题。需要更多的研究来找到合适的数字医疗监测系统，这将是监测，控制和预测COVID-19轨迹的理想选择。
2020-07-27 cs.CR cs.CY
Privacy Challenges and Solutions in Retrieval-Augmented Generation-Enhanced LLMs for Healthcare Chatbots: A Review of Applications, Risks, and Future Directions
Centre for Smart Health, School of Nursing（智能健康中心、护理学院）；The Hong Kong Polytechnic University（香港理工大学）；Department of Electrical and Electronic Engineering（电子与电气工程系）；Faculty of Health Sciences（健康科学学院）；University of Maribor（马里博大学）
本综述分析医疗保健中RAG增强型大语言模型的隐私挑战，综合相关研究，通过流水线框架剖析风险与保护机制，指出临床验证等关键差距并提出方向，为构建兼顾临床有效性与隐私保护的系统提供框架与路线图。
2025-11-17 cs.AI cs.CR
Federated Learning for Privacy-Preserving Open Innovation Future on Digital Health
Australian Department of Health（澳大利亚卫生部）；University of Technology Sydney（悉尼科技大学）
隐私保护是人工智能领域一个备受关注的伦理问题。联邦学习是一种新的机器学习范式，用于在用户或组织之间学习共享模型，而无需直接存取数据。它有很大的潜力成为下一个通用的AI模型训练框架，提供隐私保护，因此对数字健康和医疗保健信息学的未来具有广泛的影响。在医疗保健行业实施开放式创新框架，即开放式医疗，旨在通过与合作伙伴组织和研究界建立下一代合作框架，提高医疗保健相关组织的创新和创造能力。特别是，这个改变游戏规则的协作框架提供了来自不同数据的知识共享，同时保护了隐私。本章将讨论联邦学习如何在人工智能的支持下实现开放的健康生态系统的发展。将讨论联邦学习的现有挑战和解决方案。
2021-08-24 cs.AI cs.CR cs.DC
Decentralized AI-driven IoT Architecture for Privacy-Preserving and Latency-Optimized Healthcare in Pandemic and Critical Care Scenarios
Dakota State University（达科他州立大学）；Michigan Technological University（密歇根理工大学）
本文提出一种融合联邦学习、区块链与边缘计算的去中心化AI物联网架构，以解决疫情和重症监护中医疗数据隐私、延迟与安全问题，实验显示其在交易延迟、能耗和吞吐量上显著优于云方案。
2025-04-29 cs.AI cs.CR
Technical Case Study of Privacy-Enhancing Technologies (PETs) for Public Health
Mastercard；Harvard University（哈佛大学）；OpenDP；Javeriana University（贾维里亚大学）；Sloan Foundation（斯隆基金会）
本文通过技术案例研究展示如何利用差分隐私技术生成隐私保护的合成财务交易数据，结合公共卫生和移动性数据，开发六个可重用工具，提升流行病学决策能力。
2026-03-13 cs.AI cs.CR
Application of Intelligent Multi Agent Based Systems For E-Healthcare Security
近年来，用于电子医疗记录（EHR）的广泛系统的可用性和使用增加。在医院和其他实验室等医疗中心，在治疗过程中形成了更多的健康数据集。为了提高医疗保健服务的标准，这些记录可以由不同的用户根据他们的要求共享和使用。因此，在安全和隐私方面存在值得注意的问题，应加以监测和消除，以便更有效地使用EHR。在过去的文献中已经做了各种研究，以提高电子健康系统的安全和隐私标准。尽管如此，它并没有完全增强。在本文中，进行了全面的分析，通过选择现有的方法和模型，提出了电子医疗系统的安全和隐私。提出了一种基于多代理的智能访问控制安全模型（IBAC），以维护和支持电子医疗系统的安全性和隐私性。该系统使用代理，以维护安全和隐私，同时访问电子健康数据之间的用户。
2020-04-02 cs.CR cs.CY
Scaling While Privacy Preserving: A Comprehensive Synthetic Tabular Data Generation and Evaluation in Learning Analytics
University of Bergen（卑尔根大学）；University of Belgrade（贝尔格莱德大学）
本文针对学习分析中的隐私问题，提出从相似性、效用和隐私三个维度全面评估合成数据，并在三个数据集上验证其可在保护隐私的同时保持与真实数据相近的预测性能，为不同场景提供生成方法建议。
2024-01-12 cs.AI cs.CR
Formal Analysis of an E-Health Protocol
鉴于健康数据的敏感性，电子保健系统的安全和隐私至关重要。至关重要的是，电子保健系统必须确保用户保持隐私-即使他们被贿赂或强迫透露自己或他人的信息：例如，制药公司可能贿赂药剂师透露侵犯医生隐私的信息。在本文中，我们首先确定和正式几个新的，但重要的隐私属性对执行医生的隐私。然后分析了一个复杂而实用的电子健康协议DLV 08的安全性和隐私性。我们的分析揭示了协议中的歧义，并显示在何种程度上这些新的隐私属性以及其他安全属性（如保密性和认证）和隐私属性（如匿名性和不可追溯性）的协议得到满足。最后，我们解决了发现的模糊性，导致安全和隐私缺陷，并提出了修复它们的建议。
2018-08-25 cs.CR
Private Seeds, Public LLMs: Realistic and Privacy-Preserving Synthetic Data Generation
Information Sciences and Technology, The Pennsylvania State University（宾夕法尼亚州立大学信息科学与技术学院）
本文提出RPSG方法，通过隐私种子和差分隐私机制生成高保真且隐私保护的合成数据，实验验证其在隐私与效用平衡上的优势。
2026-07-14 cs.AI cs.CR
A Systematic Literature Review on Wearable Health Data Publishing under Differential Privacy
可穿戴设备生成关于个体的不同类型的生理数据。这些数据可以为医学研究人员和临床医生提供通过传统措施无法利用的有价值的见解。历史上，研究人员一直依赖于调查响应或观察到的行为。有趣的是，生理数据可以提供比从任何其他来源（包括用户自己）获得的更丰富的用户认知。因此，廉价的消费级可穿戴设备已成为健康研究人员的兴趣点。此外，它们还用于连续的远程健康监测，有时也被保险公司使用。然而，这种用例最大的问题是个人的隐私。抽象和k-匿名等几种隐私机制在信息系统中得到了广泛的应用。最近，差分隐私（DP）已经成为发布隐私敏感数据（包括来自可穿戴设备的数据）的熟练技术。在本文中，我们进行了系统性文献综述（SLR），以识别，选择和批判性地评价DP的研究，以及了解不同的技术和DP在可穿戴数据发布中的现有使用。根据我们的研究，我们已经确定了所提出的解决方案的局限性，并提供了未来的方向。
2021-09-15 cs.CR cs.CY
Privacy Preserving Machine Learning for Electronic Health Records using Federated Learning and Differential Privacy
University of Washington（华盛顿大学）
针对电子健康记录的高敏感属性，为保障机器学习模型分析患者数据时的隐私安全，提出结合联邦学习与差分隐私的隐私保护技术方案。
2024-06-23 cs.CR cs.ET cs.LG
Healthcare Data Governance, Privacy, and Security -- A Conceptual Framework
针对医疗数据管理不当引发的隐私与安全风险，本文全面评估医疗数据链，提出一个由隐私和安全驱动的医疗数据治理概念框架。
2024-03-26 cs.CR
Privacy at Scale in Networked Healthcare
University of Pittsburgh（匹兹堡大学）
本文提出通过大规模隐私设计和隐私预算账本，实现医疗数据的合法可信共享，利用差分隐私和联邦学习技术，在多机构学习中保障隐私安全。
2026-01-07 cs.CR cs.CY cs.ET
Usability of Privacy Controls in Top Health Websites
随着人们对隐私的认识和关注，许多服务提供商为其用户提供各种隐私控制。通过这些控制，用户在服务收集、使用和传播其个人信息方面获得了更大的权力。然而，这些控件可能深埋在菜单或设置中，使得用户难以访问它们。此外，用于描述隐私控制的术语有时可能令人困惑或技术性强，进一步使用户理解和有效使用它们的能力变得复杂。健康网站尤其如此，因为用户经常分享有关其健康和福祉的敏感信息。虽然已经提出了许多隐私控制来保护这些网站上的用户数据，但现有的研究集中在个别控制上（例如，隐私政策或cookie退出），而不是提供隐私状况的全面概述。此外，许多研究集中在隐私控制的技术方面，而不考虑从用户的角度来看这些功能的可用性。本文旨在填补现有工作的空白，分析四个隐私控制，即隐私轻推，隐私通知，隐私政策，隐私设置，并评估其在前100名访问量最大的健康网站的可用性。首先，我们定义了三个网站访问场景中的每个隐私控制的可用性属性;访客，注册和登录访问。这些属性包括意识、效率、理解、功能和选择。然后，我们根据这些属性和场景设计了一个调查模板，并收集有关隐私控制的数据。接下来，我们分析健康网站上每个隐私控制的可用性和可用性。最后，我们根据数据分析结果，提出了改进这些隐私控制设计的建议。
2023-03-03 cs.CR
Privacy Risks in Health Big Data: A Systematic Literature Review
本文通过系统性文献综述梳理健康大数据隐私与安全研究，分析同态加密、区块链、联邦学习和人工免疫系统等技术的保护作用，并指出挑战与未来研究框架。
2025-02-06 cs.CR
Advances in Privacy Preserving Federated Learning to Realize a Truly Learning Healthcare System
本文提出将隐私保护联邦学习（PPFL）整合进医疗生态系统，以解决数据共享与隐私保护难题，实现医学研究所定义的真正学习型医疗系统。
2024-09-29 cs.CR cs.DC
A Privacy-Preserving Data Inference Framework for Internet of Health Things Networks
由于个人健康数据的敏感性，电子医疗保健应用中的隐私保护是一个重要的考虑因素。健康物联网（IoHT）网络在医疗保健环境中具有隐私要求。然而，这些网络具有独特的挑战，安全要求（完整性，认证，隐私和可用性）也必须与保持效率的需求相平衡，以节省电池电量，这可能是IoHT设备和网络的重大限制。数据通常在不经过过滤或优化的情况下传输，这种流量可能会使传感器过载，并在与IoHT网络交互时导致电池快速消耗。因此，这对这些装置的实际实施造成了限制。作为解决问题的方案，本文提出了一个隐私保护的两层数据推理框架，这可以节省电池消耗，通过减少传输所需的数据大小，通过推断感测数据，也可以保护敏感数据泄漏给对手。隐私实验评估的结果表明，该方案的有效性以及显着的数据节省，而不影响数据传输的准确性，这有助于物联网传感器设备的能源效率。
2020-10-19 cs.CR
Unveiling Privacy and Security Gaps in Female Health Apps
本文对45款女性健康应用进行安全与数据保护评估，揭示其存在有害权限、敏感数据过度收集和大量第三方跟踪等问题，并为用户、开发者和政策制定者提出改进建议。
2025-02-04 cs.CR cs.HC
Robust Aggregation for Adaptive Privacy Preserving Federated Learning in Healthcare
联邦学习（FL）使来自多个数据拥有方的协作训练模型成为可能，而无需共享数据。考虑到患者医疗数据的隐私法规，医疗保健中基于学习的系统可以从隐私保护FL方法中受益匪浅。然而，典型的模型聚合方法在FL是敏感的局部模型更新，这可能会导致在学习一个强大的和准确的全局模型失败。在这项工作中，我们实现和评估不同的强大的聚合方法在FL应用于医疗数据。此外，我们表明，这种方法可以检测和丢弃错误或恶意的本地客户端在训练过程中。我们使用两个真实世界的医疗数据集进行两组实验，用于训练医疗诊断分类任务。每个数据集被用来模拟三种不同的鲁棒FL聚合策略面对不同的中毒攻击时的性能。结果表明，隐私保护方法可以成功地应用在一起拜占庭鲁棒聚合技术。我们特别观察到使用差分隐私（DP）不会显著影响不同聚合策略的最终学习收敛。
2020-09-17 cs.CR
A Holistic Approach to Enhanced Security and Privacy in Digital Health Passports
随着世界各国政府决定部署数字健康护照作为遏制新冠肺炎传播的工具，考虑如何通过设计来构建这些护照变得越来越重要。在本文中，我们讨论了构建数字健康护照的常见方法的隐私和安全问题。然后，我们将展示如何以简单有效的方式构建和部署安全和私密的数字健康护照。我们通过使用基于密码的分布式令牌发行协议、秘密共享以及利用现代智能手机的安全硬件来实现这一点。我们的解决方案只需要恒定数量的非对称加密操作和用户与验证用户数字健康护照的一方之间的单轮通信，并且用户与签发数字健康护照的服务器之间只需要两轮通信。
2021-06-09 cs.CR
Securing Health Data on the Blockchain: A Differential Privacy and Federated Learning Framework
Texas A&M University（德克萨斯农工大学）；Metro State University（大都会州立大学）
面向医疗BIoT场景，提出融合差分隐私、联邦学习与区块链的框架，在SVHN上兼顾隐私保证、64.50%准确率及约6秒链上延迟。
2024-05-19 cs.CR cs.CY cs.DC
FedBlockHealth: A Synergistic Approach to Privacy and Security in IoT-Enabled Healthcare through Federated Learning and Blockchain
University of Technology Sydney（悉尼科技大学）；University of Haripur（哈里普尔大学）；Thapar University Patiala（帕蒂亚拉塔帕尔大学）；Abdul Wali Khan University（阿卜杜勒·瓦利·汗大学）
本文提出FedBlockHealth框架，融合联邦学习与区块链，通过公钥密码保障本地模型更新安全，在EMNIST数据集上验证了物联网医疗场景下的隐私保护、安全性与计算效率。
2023-04-16 cs.AI cs.CR cs.LG
RSPP: A Reliable, Searchable and Privacy-Preserving e-Healthcare System for Cloud-Assisted Body Area Networks
云计算和物联网（IoT）的集成通过在患者参与、生产力和风险缓解方面提供全面改进，正在迅速成为医疗保健行业数字化转型的关键推动因素。这种模式的转变虽然为医疗保健组织带来了许多好处和新的机会，但也引发了许多安全和隐私问题。在本文中，我们提出了一个可靠的，可搜索的和隐私保护的电子医疗系统，它利用新兴的云存储和物联网基础设施，使医疗服务提供商（HSP）实现远程病人监护在一个安全的和符合法规的方式。我们的系统是建立在一个新的动态搜索对称加密方案与前向隐私和委托验证定期生成的医疗保健数据。虽然前向隐私是通过在物联网网关处为每个关键字维护递增的计数器来实现的，但数据所有者委托的可验证性来自布隆过滤器和聚合消息认证代码的组合。此外，我们的系统能够通过数据所有者协助或授权来支持多个HSP。详细的安全性分析以及大量的模拟上的一个大型数据集，数百万条记录证明了实际的效率，所提出的系统，为现实世界的医疗保健应用。
2017-02-11 cs.CR
What is in Your App? Uncovering Privacy Risks of Female Health Applications
该研究针对7款女性健康应用进行隐私风险分析，发现其存在潜在风险权限、大量第三方追踪器及隐私政策不合规问题，揭示了FemTech应用在隐私安全保障上的严重缺失。
2023-10-23 cs.CR cs.HC
A Criticism of the Current Security, Privacy and Accountability Issues in Electronic Health Records
密码学已经被广泛接受的安全性和部分隐私控制，从过去的作品中发现。然而，许多这些工作并没有提供一种方法来有效地管理加密密钥，特别是在EHR应用程序中，因为这是目前提出的加密技术的致命弱点。合法用户的问责问题也不是那么受欢迎，只有少数人在EHR中考虑过。除非使用不同的方法，否则依赖于密码和密码或基于托管的系统进行密钥管理将阻碍系统的信任，从而阻碍其可接受性。此外，还应在不影响临床医生工作流程的情况下对具有正确访问权限的用户进行监测。本文介绍了一些选择最近的方法，以确保安全，隐私和问责制的电子健康记录和差距，为未来的研究进行了详细的审查。
2015-01-30 cs.CR cs.CY
Robin Hood and Matthew Effects: Differential Privacy Has Disparate Impact on Synthetic Data
University College London（伦敦大学学院）；Hazy
使用差分隐私（DP）训练的生成模型可用于生成合成数据，同时最小化隐私风险。我们分析了DP对这些模型的影响，具体而言，研究：1）合成数据中类/子组的大小，以及2）在它们上运行的分类任务的准确性。我们还评估了各种程度的不平衡和隐私预算的影响。我们的分析使用三种最先进的DP模型（PrivBayes，DP-WGAN和PATE-GAN），并显示DP在生成的合成数据中产生相反的大小分布。它影响到多数和少数阶层/亚群体之间的差距;在某些情况下，缩小差距（“罗宾汉”效应），在另一些情况下，扩大差距（“马太”效应）。无论哪种方式，这都会对合成数据上的分类任务的准确性产生（类似的）不同的影响，对数据中代表性不足的子部分的影响更大。因此，当在合成数据上训练模型时，可能会产生不均匀地对待不同亚群的风险，从而导致不可靠或不公平的结论。
2022-06-26 cs.AI cs.CR cs.CY
Balancing Patient Privacy and Health Data Security: The Role of Compliance in Protected Health Information (PHI) Sharing
本文提出一种集成智能合约的区块链技术，用于部分自动化患者同意管理流程，在确保PHI真实性和完整性的同时，使PHI访问与共享符合患者偏好及HIPAA等法律合规要求。
2024-07-03 cs.CR
Security and Privacy Issues and Solutions in Federated Learning for Digital Healthcare
Sungkyunkwan University（成均馆大学）
本文针对数字医疗中联邦学习因服务器与客户端多轮通信而扩大的攻击面，系统梳理其脆弱性、攻击方式与防御方案，并指出未来构建更鲁棒联邦学习的研究方向。
2024-01-16 cs.AI cs.CR
SoK: Privacy-aware LLM in Healthcare: Threat Model, Privacy Techniques, Challenges and Recommendations
University of Louisiana at Lafayette, Lafayette, LA, USA（路易斯安那州立大学拉斐特分校）；University of Northern British Columbia, Canada（北部BC大学）
本文系统分析了医疗领域大语言模型的隐私保护问题，探讨了威胁模型、隐私技术及挑战，并提出针对不同阶段的防护建议和未来研究方向。
2026-01-15 cs.CR cs.LG
Chasing Your Long Tails: Differentially Private Prediction in Health Care Settings
University of Toronto（多伦多大学）；Vector Institute（向量研究所）
医疗保健中的机器学习模型通常部署在保护患者隐私非常重要的环境中。在这种情况下，差分隐私（DP）学习的方法提供了一种通用的方法来学习模型的隐私保证。DP学习的现代方法通过审查被判断为过于独特的信息的机制来确保隐私。因此，由此产生的隐私保护模型忽略了数据分布尾部的信息，导致准确性损失，可能会不成比例地影响小群体。在本文中，我们研究了DP学习在医疗保健中的作用。我们使用最先进的DP学习方法来训练临床预测任务中的隐私保护模型，包括X射线图像分类和时间序列数据中的死亡率预测。我们使用这些模型对隐私、效用、对数据集转移的鲁棒性和公平性之间的权衡进行了全面的实证调查。我们的研究结果突出了医疗保健中DP学习方法的鲜为人知的局限性，在隐私和实用性之间表现出陡峭的权衡的模型，以及其预测受到训练数据中大型人口群体不成比例影响的模型。我们讨论的成本和收益的差异私人学习在医疗保健。
2020-10-13 cs.CR cs.CY cs.LG
Differential Privacy-enabled Federated Learning for Sensitive Health Data
IBM Research Cambridge（IBM剑桥研究院）；IBM Watson（IBM沃森）；IBM T.J. Watson Research Center（IBM T.J.沃森研究中心）；Massachusetts Institute of Technology（麻省理工学院）
将真实世界的健康数据用于机器学习任务需要解决许多实际挑战，例如分布式数据孤岛，从个人特定的敏感数据创建集中式数据库的隐私问题，传输和集成来自多个站点的数据的资源限制，以及单点故障的风险。在本文中，我们介绍了一个联邦学习框架，可以学习一个全球性的模型，从分布式的健康数据在本地不同的网站。该框架提供两个级别的隐私保护。首先，它不会在模型训练过程中跨站点或与集中式服务器移动或共享原始数据。其次，它使用了差分隐私机制，以进一步保护模型免受潜在的隐私攻击。我们使用100万患者的真实电子健康数据，对两个医疗保健应用程序的方法进行了全面评估。我们证明了联邦学习框架在提供更高级别的隐私和维护全局模型的实用性方面的可行性和有效性。
2020-02-27 cs.CR cs.LG
"Healthy surveillance": Designing a concept for privacy-preserving mask recognition AI in the age of pandemics
在流行病期间戴口罩的义务降低了病毒传播的风险。在二零二零年COVID-19大流行的情况下，许多政府建议甚至强制其公民佩戴口罩作为有效的应对措施。为了持续监测公共当局在公共场所（如餐馆或电车站）对该政策措施的遵守情况，一种可扩展和自动化的选项描述了监控系统的应用，即，央视然而，对口罩识别的大规模监控不仅需要性能良好的人工智能，还需要确保不会引入隐私问题，因为监控对公民来说是一种威慑，而《通用数据保护条例》（GDPR）等法规要求对此类个人数据进行严格监管。在这项工作中，我们展示了如何保护隐私的掩模识别工件可能看起来像，演示了不同的实施方案和评估性能。我们基于概念深度学习的人工智能能够在隐私友好的环境中实现95%至99%的检测性能。在此基础上，我们详细阐述了隐私保护水平与人工智能性能之间的权衡，即“隐私的代价”。
2020-10-20 cs.CR cs.CY
Generating Synthetic Health Sensor Data for Privacy-Preserving Wearable Stress Detection
ScaDS.AI Dresden/Leipzig, Leipzig University（ScaDS.AI 德累斯顿/莱比锡，莱比锡大学）
本文提出一种利用GAN和差分隐私生成隐私保护的智能手表健康传感器数据，用于提升可穿戴压力检测的模型性能。
2024-05-14 cs.AI cs.CR cs.LG
Aim High, Stay Private: Differentially Private Synthetic Data Enables Public Release of Behavioral Health Information with High Utility
University of Vermont（佛蒙特大学）
本文利用差分隐私技术生成合成数据，在保障隐私的同时，使行为健康信息的公开发布保持高实用性，通过评估不同隐私预算下的数据集，确定隐私与实用性的平衡点。
2025-06-30 cs.CR cs.CY
HELENE: An Open-Source High-Security Privacy-Preserving Blockchain Based System for Automating and Managing Laboratory Health Tests
本文提出开源区块链平台HELENE，结合去中心化预言机保护隐私，通过拍卖实现健康测试自动化管理，并验证了智能合约性能、预言机响应时间及随机数生成器安全性。
2025-02-27 cs.CR cs.CY
A Comparative Audit of Privacy Policies from Healthcare Organizations in USA, UK and India
本研究通过三阶段工作流程审计美、英、印三国医疗机构隐私政策，发现数据实践差异及法律合规问题，包括印度21.8%的不一致和四项潜在违规。
2023-06-20 cs.CR cs.CY cs.HC
Enhancing Data Privacy In Wireless Sensor Networks: Investigating Techniques And Protocols To Protect Privacy Of Data Transmitted Over Wireless Sensor Networks In Critical Applications Of Healthcare And National Security
本文研究医疗与国家安全关键应用中WSNs的数据隐私保护，梳理相关技术、挑战与影响因素，引入创新扩散理论分析隐私技术采纳，并结合实证研究验证安全方案有效性。
2024-04-17 cs.CR cs.NI
The Australian PCEHR system: Ensuring Privacy and Security through an Improved Access Control Mechanism
电子健康记录（EHR）旨在准确存储来自一系列医疗保健提供者的各种数据，并通过一系列医疗保健提供者在一段时间内捕获患者的状态。意识到该系统的众多好处，EHR的采用在全球范围内不断增长，许多国家在电子卫生系统上投入巨资。在澳大利亚，政府于2012年7月投资4.67亿澳元建立个人控制电子健康记录系统的关键组成部分。然而，在过去三年中，个人和卫生保健提供者的吸收情况并不令人满意。未经授权访问PCEHR是主要障碍之一。我们提出了一种改进的访问控制模型的PCEHR系统，以解决未经授权的访问问题。我们讨论了未经授权的访问问题与真实的例子，并提出了一个潜在的解决方案，以克服这个问题，使PCEHR系统在澳大利亚取得成功。
2017-10-21 cs.CR cs.CY
Towards Privacy-Preserving Medical Imaging: Federated Learning with Differential Privacy and Secure Aggregation Using a Modified ResNet Architecture
Istanbul University-Cerrahpasa（伊斯坦布尔大学-切尔拉帕萨分校）；Queen’s University（女王大学）
本文提出结合本地差分隐私、安全多方计算安全聚合与 DPResNet 的联邦医学影像分类框架，并在 BloodMNIST 跨医院场景中验证其可在严格保密下取得接近非隐私模型的性能。
2024-12-01 cs.CR cs.LG
