論文の概要: Differentially Private De-identification of Dutch Clinical Notes: A Comparative Evaluation

• arxiv url: http://arxiv.org/abs/2604.21421v1
• Date: Thu, 23 Apr 2026 08:37:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.388282
• Title: Differentially Private De-identification of Dutch Clinical Notes: A Comparative Evaluation
• Title（参考訳）: オランダ人臨床ノートの個人別鑑定 : 比較検討
• Authors: Michele Miranda, Xinlan Yan, Nishant Mishra, Rachel Murphy, Ameen Abu-Hanna, Sébastien Bratières, Iacer Calixto,
• Abstract要約: 差分プライバシー(DP)に基づく手法は、正式なプライバシー保証を提供する。 大きな言語モデル (LLMs) は、臨床領域におけるテキストの識別にますます使われている。 DP機構のみでは実用性は著しく低下するが,言語前処理,特にLLMに基づくリアクションと組み合わせることで,プライバシとユーティリティのトレードオフを大幅に改善する。
• 参考スコア（独自算出の注目度）: 1.5441165311156937
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Protecting patient privacy in clinical narratives is essential for enabling secondary use of healthcare data under regulations such as GDPR and HIPAA. While manual de-identification remains the gold standard, it is costly and slow, motivating the need for automated methods that combine privacy guarantees with high utility. Most automated text de-identification pipelines employed named entity recognition (NER) to identify protected entities for redaction. Although methods based on differential privacy (DP) provide formal privacy guarantees, more recently also large language models (LLMs) are increasingly used for text de-identification in the clinical domain. In this work, we present the first comparative study of DP, NER, and LLMs for Dutch clinical text de-identification. We investigate these methods separately as well as hybrid strategies that apply NER or LLM preprocessing prior to DP, and assess performance in terms of privacy leakage and extrinsic evaluation (entity and relation classification). We show that DP mechanisms alone degrade utility substantially, but combining them with linguistic preprocessing, especially LLM-based redaction, significantly improves the privacy-utility trade-off.
• Abstract（参考訳）: 臨床物語における患者のプライバシ保護は、GDPRやHIPAAなどの規制の下で医療データの二次的利用を可能にするために不可欠である。 手動の身元特定は依然としてゴールドスタンダードだが、コストが高く、遅く、プライバシー保証と高ユーティリティを組み合わせた自動化された方法の必要性を動機付けている。 ほとんどの自動化されたテキスト識別パイプラインは、名前付きエンティティ認識(NER)を使用して、リアクションのための保護されたエンティティを識別した。 ディファレンシャルプライバシ(DP)に基づく手法は正式なプライバシ保証を提供するが、より最近では、臨床領域におけるテキストの非識別に大規模言語モデル(LLM)がますます使われている。 本研究は,オランダにおける臨床テキストの同定のためのDP, NER, LLMの比較研究である。 我々は,これらの手法と,NER や LLM の事前処理をDPの前に適用するハイブリッド戦略を別々に検討し,プライバシリークや外部評価(エンタリティと関係分類)の観点から性能評価を行う。 DP機構のみでは実用性は著しく低下するが,言語前処理,特にLLMに基づくリアクションと組み合わせることで,プライバシとユーティリティのトレードオフを大幅に改善する。

関連論文リスト

• MedPriv-Bench: Benchmarking the Privacy-Utility Trade-off of Large Language Models in Medical Open-End Question Answering [15.468900582717865]
  オープンエンド質問応答におけるプライバシ臨床的有用性を評価するために設計された最初のベンチマークであるMed-Benchを紹介する。 われわれのフレームワークは、マルチエージェントのヒューマン・イン・ザ・ループパイプラインを使用して、繊細な医療状況と、リアルなプライバシー圧力を生み出す臨床的に関連するクエリを合成する。 本研究は,プライバシに敏感な環境下での医療AIシステムの安全性と有効性を評価するための,ドメイン固有のベンチマークの必要性を明らかにするものである。
  論文  参考訳（メタデータ） (2026-03-15T07:47:35Z)
• How to Train Private Clinical Language Models: A Comparative Study of Privacy-Preserving Pipelines for ICD-9 Coding [0.33148826359547523]
  臨床テキストのリスクに敏感な患者情報を暴露する大規模言語モデル。 DP最適化の急速な進歩にもかかわらず、どのプライバシ保護戦略が効果的かは不明だ。 DP学習教師の知識蒸留はDP-SGDとDP合成データトレーニングの両方に優れる。
  論文  参考訳（メタデータ） (2025-11-18T21:51:04Z)
• PBa-LLM: Privacy- and Bias-aware NLP using Named-Entity Recognition (NER) [45.870212237420226]
  本研究では,Large Language Models(LLMs)のプライバシ保護トレーニングを容易にするために,NER(Named-Entity Recognition)の使用について検討する。 我々は,NER技術を用いて個人識別や地理的位置情報などのテキストデータ中の機密情報を匿名化するフレームワークを提案する。 この研究は2つの言語モデル(BERTとRoBERTa)と6つの匿名化アルゴリズム(Presidio、FLAIR、BERT、および異なるバージョンのGPT)を24,000の候補プロファイルのデータベースに適用した。
  論文  参考訳（メタデータ） (2025-06-30T14:42:49Z)
• Urania: Differentially Private Insights into AI Use [102.27238986985698]
  $Urania$は、クラスタリング、パーティション選択、ヒストグラムベースの要約といったDPツールを活用することによって、エンドツーエンドのプライバシ保護を提供する。 結果は、厳密なユーザのプライバシを維持しながら、意味のある会話の洞察を抽出するフレームワークの能力を示している。
  論文  参考訳（メタデータ） (2025-06-05T07:00:31Z)
• Differential privacy for medical deep learning: methods, tradeoffs, and deployment implications [4.15598192943552]
  ディファレンシャルプライバシ(DP)は、医学的深層学習(DL)における機密データ保護の鍵となる技術である 臨床モデルがデータに依存しやすくなるにつれ、プライバシーと実用性と公正性とのバランスが重要な課題となっている。 医療用DLへのDP適用の最近の進展を概観する。
  論文  参考訳（メタデータ） (2025-05-31T18:03:15Z)
• Mind the Privacy Unit! User-Level Differential Privacy for Language Model Fine-Tuning [62.224804688233]
  差分プライバシ(DP)は、モデルが特定のプライバシユニットで「ほとんど区別できない」ことを保証することで、有望なソリューションを提供する。 ユーザ間でのプライバシー保護の確保に必要なアプリケーションによって動機づけられたユーザレベルのDPについて検討する。
  論文  参考訳（メタデータ） (2024-06-20T13:54:32Z)
• DeID-GPT: Zero-shot Medical Text De-Identification by GPT-4 [80.36535668574804]
  我々は新しいGPT4対応脱識別フレームワーク(DeID-GPT)を開発した。 開発したDeID-GPTは,非構造化医用テキストからの個人情報のマスキングにおいて,高い精度と信頼性を示した。 本研究は,ChatGPTおよびGPT-4を医療用テキストデータ処理および非識別に利用した最初期の1つである。
  論文  参考訳（メタデータ） (2023-03-20T11:34:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。