論文の概要: Protecting patient privacy in clinical foundation models: Technical and legal perspectives
- arxiv url: http://arxiv.org/abs/2608.07705v1
- Date: Fri, 07 Aug 2026 18:48:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.481272
- Title: Protecting patient privacy in clinical foundation models: Technical and legal perspectives
- Title（参考訳）: 臨床基礎モデルにおける患者のプライバシ保護 : 技術的・法的視点
- Abstract要約: 大規模患者のデータに基づいてトレーニングされた臨床基礎モデルは、意思決定支援、スクリーニング、公衆衛生にますます利用されている。
プライバシのリスクはモデルによるリークから生じるが、その頻度と重大さはいまだに定量化されていない。
臨床基盤モデルにおけるプライバシリスクを評価するための実践的枠組みを提案する。
- 参考スコア（独自算出の注目度）: 18.57208501579183
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Clinical foundation models trained on large-scale patient data are increasingly used for decision support, screening, and public health. As deployment expands, privacy risk increasingly arises from model-mediated leakage, yet its prevalence and severity remain poorly quantified. Models can disclose sensitive training artifacts, enabling patient re-identification in ways not captured by data-handling controls alone. Existing frameworks, including HIPAA and GDPR, offer limited guidance for such indirect threats. We propose a practical framework for assessing privacy risk in clinical foundation models and illustrate realistic leakage scenarios across deployment settings, map them to legal regimes, and outline complementary technical and legal mitigations. Our analysis provides a context-aware risk assessment grounded in realistic usage to preserve the value of medical foundation models while rigorously safeguarding patient privacy.
- Abstract（参考訳）: 大規模患者のデータに基づいてトレーニングされた臨床基礎モデルは、意思決定支援、スクリーニング、公衆衛生にますます利用されている。
展開が拡大するにつれて、モデルによるリークによってプライバシーのリスクがますます高まっていくが、その頻度と重大さはいまだに定量化されていない。
モデルはセンシティブなトレーニングアーティファクトを開示し、データハンドリングコントロールだけでは捉えられない方法で患者の再識別を可能にする。
HIPAAやGDPRといった既存のフレームワークは、このような間接的な脅威に対して限定的なガイダンスを提供している。
本稿では,臨床基盤モデルのプライバシリスクを評価するための実践的枠組みを提案する。
我々の分析は、患者プライバシを厳格に保護しつつ、医療基盤モデルの価値を維持するために、現実的な使用法に基づくコンテキストアウェアリスクアセスメントを提供する。
関連論文リスト
- Privacy-Preserving Cohort Analytics for Personalized Health Platforms: A Differentially Private Framework with Stochastic Risk Modeling [0.0]
コホートに基づく健康データ収集は、非自明なプライバシーリスクをもたらす。
本稿では、決定論的コホート制約、差分プライバシー機構、合成ベースライン生成を組み合わせたプライバシー保護コホート分析フレームワークを提案する。
リスクモデリングは、解釈可能な意思決定関連指標を提供することによって、正式なプライバシ保証を補完することを示す。
論文 参考訳（メタデータ） (2026-01-17T16:59:41Z) - SoK: Privacy-aware LLM in Healthcare: Threat Model, Privacy Techniques, Challenges and Recommendations [0.6533091401094101]
大きな言語モデル(LLM)は、臨床的な意思決定を支援し、患者のケアを強化するために、医療においてますます採用されている。
この研究は、データ前処理、ファインチューニング、推論という3つの中核LSMフェーズにわたる進化する脅威の展望を、現実的な医療環境の中で検証する。
我々は、各フェーズにおける敵、能力、攻撃面を特徴付ける詳細な脅威モデルを提示し、既存のプライバシ保護技術(PPT)がこれらの脆弱性を緩和しようとしているかを体系化する。
論文 参考訳（メタデータ） (2026-01-15T02:28:57Z) - Exploring Membership Inference Vulnerabilities in Clinical Large Language Models [42.52690697965999]
臨床大言語モデル(LLM)におけるメンバーシップ推論脆弱性の探索的研究について述べる。
最新の臨床質問応答モデルであるLlemrを用いて、標準的損失に基づく攻撃とドメインを動機としたパラフレージングに基づく摂動戦略の両方を評価する。
その結果は、コンテキスト認識、ドメイン固有のプライバシ評価、防衛の継続的な開発を動機付けている。
論文 参考訳（メタデータ） (2025-10-21T14:27:48Z) - An Investigation of Memorization Risk in Healthcare Foundation Models [21.94560578418064]
構造化されたEHRデータに基づいてトレーニングされた基礎モデルのプライバシー関連リスクを評価するためのブラックボックス評価テストスイートを導入する。
本フレームワークは, 組込みと生成の両レベルでの記憶の探索方法と, モデル一般化と有害記憶の区別を目的とした。
論文 参考訳（メタデータ） (2025-10-14T19:55:07Z) - On the MIA Vulnerability Gap Between Private GANs and Diffusion Models [51.53790101362898]
GAN(Generative Adversarial Networks)と拡散モデルが高品質な画像合成のための主要なアプローチとして登場している。
差分自己生成モデルが直面するプライバシーリスクの統一的および実証的分析について述べる。
論文 参考訳（メタデータ） (2025-09-03T14:18:22Z) - Privacy-Aware, Public-Aligned: Embedding Risk Detection and Public Values into Scalable Clinical Text De-Identification for Trusted Research Environments [0.0]
直接的および間接的識別子がレコードタイプ,臨床設定,データフローによってどのように変化するかを示し,ドキュメントの実践の変化が時間とともにモデルのパフォーマンスを低下させるかを示す。
われわれの調査結果は、プライバシーリスクは文脈に依存し、累積的であり、適応的でハイブリッドな非識別アプローチの必要性を強調している。
論文 参考訳（メタデータ） (2025-06-01T17:45:57Z) - Towards Privacy-aware Mental Health AI Models: Advances, Challenges, and Opportunities [58.61680631581921]
メンタルヘルス障害は、深い個人的・社会的負担を生じさせるが、従来の診断はリソース集約的でアクセシビリティが制限される。
本稿では、これらの課題を考察し、匿名化、合成データ、プライバシー保護トレーニングを含む解決策を提案する。
臨床的な意思決定をサポートし、メンタルヘルスの結果を改善する、信頼できるプライバシを意識したAIツールを進化させることを目標としている。
論文 参考訳（メタデータ） (2025-02-01T15:10:02Z) - Safe AI for health and beyond -- Monitoring to transform a health
service [51.8524501805308]
機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。
モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
論文 参考訳（メタデータ） (2023-03-02T17:27:45Z) - Private, fair and accurate: Training large-scale, privacy-preserving AI models in medical imaging [47.99192239793597]
我々は,AIモデルのプライバシ保護トレーニングが,非プライベートトレーニングと比較して精度と公平性に与える影響を評価した。
我々の研究は、実際の臨床データセットの困難な現実的な状況下では、診断深層学習モデルのプライバシー保護トレーニングは、優れた診断精度と公正さで可能であることを示しています。
論文 参考訳（メタデータ） (2023-02-03T09:49:13Z) - Privacy-preserving medical image analysis [53.4844489668116]
医用画像におけるプライバシ保護機械学習(PPML)のためのソフトウェアフレームワークであるPriMIAを提案する。
集合型学習モデルの分類性能は,未発見データセットの人間専門家と比較して有意に良好である。
グラデーションベースのモデル反転攻撃に対するフレームワークのセキュリティを実証的に評価する。
論文 参考訳（メタデータ） (2020-12-10T13:56:00Z)
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。