MEDICAL DATA RESEARCH
健康医疗数据匿名化:把 DICOM 去标识做成可验证的风险—效用闭环
面向医疗AI研发与数据采购,拆解健康医疗数据匿名化中的字段、纵向关联、DICOM元数据与像素风险,说明攻击测试、不可复原核验、专家复核、效用评估和版本冻结如何形成可验收证据链。
健康医疗数据要进入科研、模型训练或跨机构统计,真正困难的问题不是“能不能把姓名删掉”,而是三件事能否同时回答:处理后的记录在给定场景下是否难以指向具体个人,是否存在合理可行的复原路径,以及影像和临床变量是否仍然满足原来的研究用途。只检查 DICOM 头部,往往会漏掉烧录在像素里的文字、私有属性、UID 关联和头颅影像中的面部特征;只追求隐私,又可能把纵向时间、体素值或病灶相关信息一并破坏。DICOM 官方的基础应用层保密配置文件也明确提醒:除非另行启用清理像素数据或清理可识别视觉特征的选项,基础配置文件并不处理像素中的信息。1
因此,健康医疗数据匿名化应被当作一项有输入、有变换、有攻击测试、有独立复核和有版本冻结的工程,而不是上传页面上的一个按钮。本文不讨论具体患者、病例或机构,也不把匿名化等同于伦理批准、授权获得、监管审定或临床诊断。文章关注的是一类可以脱敏成立的技术需求:面向健康医疗数据开发利用,对结构化字段、纵向关系、DICOM 元数据和影像像素进行风险控制,同时保留可核验的科研效用。
一、先把需求写成可验收的医疗数据任务
这类任务的临床对象不是某一种疾病,而是患者中心的全生命周期、多模态数据。输入可能包括就诊与检验字段、诊断与操作记录、DICOM 影像及其元数据、非 DICOM 医学图像或视频,以及需要在同一研究对象内关联的多次检查。输出不应只是一批“看起来干净”的文件,而应包括处理后的数据、字段或标签映射、匿名化策略、版本信息、效果评估记录和可追溯的审计证据。若数据最终用于模型训练,还要说明哪些数据允许进入训练、验证和外部测试,避免把同一受试者的纵向记录拆散到不同集合造成泄漏。
从数据颗粒度看,至少要分五层管理。第一层是人或受试者层,关系到直接标识符、人口学信息和跨次就诊关联。第二层是就诊、检查或研究事件层,包含时间、地点、机构和事件编号等准标识符。第三层是 DICOM 的 study、series 和 SOP instance 层,UID、序列关系以及设备和协议字段既影响可用性,也可能成为关联线索。第四层是像素或帧层,烧录文字、叠加图形和可重建面部特征不能被“头部已脱敏”这句话覆盖。第五层是数据集和输出层,聚合统计、模型参数、日志、缓存和备份也可能携带可回推信息。
标注主体也必须拆开。数据持有方决定处理的合法基础、用途和最小范围;数据运营或技术实施方负责规则执行、环境隔离、日志和质量记录;数据使用方只获得完成目标所需的最小数据。医学专家需要参与边界案例、像素内容和临床效用的判断,隐私或安全专家负责攻击者模型、密钥及对照表隔离、访问控制和证据审查,独立评价者则不应同时负责匿名化实施和关键辅助材料保管。这个分工不是形式要求,而是为了避免“同一个人处理、自己判定、自己批准”的闭环缺口。
验收逻辑应写成两个安全目标和一个效用目标。安全目标一是无法识别:在预设的访问范围、外部可得资料和攻击者能力下,不能合理地把记录指向特定自然人。安全目标二是不能复原:不存在可合理取得的逆向路径、密钥、对照表、备份副本或环境越权,使处理前的原始数据可以被恢复。效用目标则是保留完成约定任务所需的医学和统计信息,而不是追求“处理得越彻底越好”。美国卫生与公众服务部的去标识指导同样强调,即使采用其规定的方法,残余识别风险也不是绝对为零,风险判断需要结合方法和数据环境。2
图1 健康医疗数据匿名化的风险—效用闭环。技术示意,不表示真实患者、实验完成或临床诊断。
二、去标识化、匿名化与受控流通不能混为一谈
工程方案最容易出现的错误,是把“删掉姓名”“换成编号”“放进内网”和“匿名化完成”写成同义词。去标识化通常意味着在不借助额外信息的情况下难以识别,但如果持有映射表、密钥或其他辅助材料,处理结果仍可能回到原始身份;匿名化则要求在合理可行条件下既无法识别,也不能复原。假名化尤其需要说明是否可逆、由谁保管映射关系、能否跨批次关联,以及在用途结束后如何销毁或隔离辅助材料。对纵向研究来说,保留同一研究对象的伪码可能是必要的,但它并不自动等于匿名。
“安全可信环境”也只是风险控制的一部分。权限、网络隔离、最小授权、双因素认证、日志、防泄漏和输出审核能够降低攻击面,却不会替代字段、像素和链接风险的处理。相反,完全公开、受控共享、组织内部使用或封闭域计算,对可接受风险和处理强度的要求不同。项目应先确定谁可以访问原始数据、谁只能看到转换后的数据、谁可以导出结果,再选择删除、泛化、扰动、聚合、伪名化、像素遮蔽或隐私计算等组合。不能在脱敏之后才临时决定数据要公开到什么程度。
健康数据的效用—隐私权衡也不能用一个漂亮的数字替代。K-匿名、L-多样性和 T-接近性可以帮助描述准标识符分组和敏感属性分布,但它们依赖字段选择、数据分布和外部背景。经典研究显示,过度匿名化会造成信息损失,影响后续分析;准标识符增多时,维度和稀疏性会让简单的 K 值更难代表真实风险。3 因此,K 值可以是评估材料之一,却不应单独承担“已匿名”的结论。影像项目还要把空间几何、灰度或体素值、序列关系与临床变量的效用核对纳入报告。
规范的附录还给出一种场景化表达:匿名化程度可写为 A=K×S×E,其中 K 是准标识符等价类的最小记录数,S 是流通场景系数,E 是环境保障系数。完全公开、受控共享和组织内使用的风险不同,系数不能脱离任务直接套用;E 也应由权限、隔离、日志、审计和抗攻击措施综合说明。A 值只能帮助记录假设和比较方案,不能代替模拟攻击、不能复原核验或独立评价。
三、数据设计:先定义场景,再决定哪些内容可保留
第一步是建立数据卡和字段字典。数据卡应写清模态、设备或协议范围、数据的最小颗粒度、纳入与排除条件、直接标识符、准标识符、敏感属性、纵向关联需求、访问对象、输出用途和保存周期。字段字典不能只列“保留/删除”,还要记录处理方式、理由、影响的数据关系和版本号。例如,性别在某些分析中是必要协变量,在另一些公开场景中可能增加重识别风险;年龄可以保留为区间,日期可以做一致性偏移,地点可以泛化到更粗的区域,但每一种选择都应以研究用途和风险评估为依据。
如果研究需要同一对象的多次就诊或不同模态进行关联,应在匿名化转换前完成受控关联,并把关联表或映射材料放在与工作数据不同的权限域。转换之后再凭模糊字段强行匹配,既可能把不同人错误合并,也可能因为日期和地点被泛化而漏配。时间偏移还要分清两种目标:若模型只需要病程顺序,可以保留相对先后和间隔类别;若需要真实日历时间,必须重新评估日期对个人的指向性。每一次变换都应留下原字段类型、变换规则、参数、执行软件和异常记录,而不是只保存最终文件。
对于表格与文本,属性删除适合无研究用途且高风险的字段;泛化适合需要保留分层关系但不需要精确值的字段;扰动适合对精确值不敏感的统计分析,但可能破坏极端值、时序关系或因果解释;聚合适合只需要群体统计而不需要个体记录的场景。不可逆伪名可保持记录间关联,却不能让接收方通过同一算法轻易恢复原身份。若仍保留可逆加密或对照表,必须把它当作高敏辅助材料单独隔离,并把“不能复原”的边界写清楚。
四、DICOM 处理不是删一个标签,而是头部、像素和关系三条线
DICOM 处理首先要依据目标标准的属性级要求建立清单。患者姓名、患者标识、检查号、机构信息、日期时间、私有属性、操作者或责任方字段,都可能需要删除、置空、替换或在特定场景下保留。Study、Series 和 SOP Instance UID 的处理要兼顾隐私与内部引用完整性:对外分享时通常需要生成新的标识并保持同一数据集内的引用关系可用;若为了研究追踪保留跨批次一致的伪码,则应限制可见范围并记录映射策略。DICOM 的符合性检查只能说明文件结构和约定是否满足相应标准,不等于已经完成法律意义上的匿名化,也不等于通过伦理或安全评估。
DICOM 官方基础保密配置文件对非像素属性采取相当保守的处理,但明确说明,若不额外指定清理像素数据或可识别视觉特征的选项,像素内容并不在其默认覆盖范围内。1 这条边界直接决定了验收脚本必须分成两路:一条读取标签、私有属性、UID、序列和文件结构;另一条检查烧录文字、叠加图形、可识别面部特征和其他图像内的身份线索。若项目涉及头颅 CT 或 MRI,还要根据研究目的判断是否需要面部去特征;不能为了隐私盲目裁掉会影响解剖测量的区域,也不能为了保留外观而跳过风险证明。
NCI 的 Medical Imaging De-Identification 项目把问题进一步具体化:PHI 或 PII 既可以嵌在 DICOM 头中,也可以直接位于像素,自动化管线在测试中仍未达到对所有图像百分之百清除,生产使用需要人工参与以获得更高的信心。4 TCIA 发布的 MIDI-B 资源则把多中心、多模态图像、合成 PHI、答案键和验证脚本放在一起,支持研究团队按具体规格复现验证,而不是用单次演示代替评估。5 这类合成基准特别适合早期 PoC,因为它可以在不暴露患者原片的情况下测试标签和烧录字规则;但合成数据的通过仍不能替代真实生产数据上的抽检和外部验证。
五、算法路线:规则负责可解释,模型负责提速,专家负责放行
可实施的路线通常是多阶段的。第一阶段用字段字典、规则引擎和 DICOM 属性表处理结构化元数据,输出每个字段的动作、原因和异常。第二阶段对像素中的文字或图形进行检测、识别和分类;OCR、正则表达式、命名实体识别和医学词表可以协同判断哪些文本疑似身份信息,哪些是测量值、解剖方向或技术参数。第三阶段对可识别面部特征、结构化叠加和非标准封装内容设置专门检查。第四阶段做文件可读性、引用一致性、体素几何和任务效用验证。这种分阶段、属性级核查与已有两阶段 DICOM 去标识研究的思路相近,但研究结果仍受数据和场景限制,不能当作通用保证。8 算法输出应首先被视为草稿或风险线索,而不是自动放行的结论。
近年的开源工具研究显示,多模态去标识可以把 DICOM、NIfTI、全切片等不同输入纳入一个管线,并用神经网络处理图像内文字;研究报告的效率和性能结果属于特定数据、硬件和实现条件下的实验结果,不能直接转换为所有医疗数据的临床效果或合规保证。6 对烧录字而言,选择性处理比“一律把所有文字涂掉”更能保留研究信息,但也会引入误删和漏删之间的权衡。对于头部 MRI,研究已经展示公共人脸识别软件可能从三维重建中找到参与者,因此去面部处理是否充分必须结合图像方向、重建质量、公开照片和研究用途单独测试。7
风险建模的重点不是堆算法名称,而是把攻击者写具体。攻击者可能是只拿到发布数据的外部人员,也可能是能接触一部分原始数据或公开资料的内部人员。模型中应记录其可取得的辅助数据、计算资源、时间窗口、链接路径、目标和可接受的成功概率。测试可以包括字段查表、规则判定、外部链接、稀有组合推断、像素残留识别、面部重建和逆向恢复。对模型参数或聚合输出,还要评估是否把个人信息隐藏在输出中。测试不通过时,优先回到数据范围和策略设计,而不是简单重复同一个算法。
六、专家标注与争议处理:医学内容的“保留”也需要证据
匿名化项目不是纯信息工程。医学专家需要在三个层面介入:一是判断某字段、某时间关系或某影像区域对研究终点是否必要;二是确认处理是否改变了诊断相关的结构、体素值、方向、序列关系或测量解释;三是对边界案例进行仲裁,例如烧录文字既可能是患者标识,也可能是研究必需的测量标记。每一类判断都要有正例、反例和不确定标签,避免把“没看见”写成“没有”。对无法自动判定的样本,应进入例外队列而不是静默通过。
推荐采用“规则制定—双人独立复核—专家仲裁—版本冻结”的职责链。复核者尽量在不看到前一位结论的条件下判断;发生冲突时,记录冲突字段、像素位置、判断依据和最后的处理决定。评价批准者不能参与匿名化实施,也不应日常保管关键映射表或密钥。每次规则修改都要回溯受影响的样本和已导出版本,说明是否需要重处理、重训或重新发布。这样形成的不是一个漂亮的平均一致率,而是一套能解释为什么某类样本被保留、删除或升级复核的证据链。
七、质量、偏差与外部验证:不要让平均值掩盖高风险亚组
质量检查至少要覆盖来源治理、处理准确性、文件可用性、隐私风险和下游效用。来源治理要检查授权范围、原始数据版本、模态和设备分布、采集协议漂移、纵向记录完整性以及原始数据是否被误带入导出目录。处理准确性要按字段类型、图像位置、模态、设备和异常条件分层统计漏删、误删、错误替换、UID 断链和日期顺序破坏。文件可用性要用目标 PACS、研究工具或训练读取代码验证,而不是只检查压缩包能够解压。
偏差往往出现在稀有但风险高的亚组:头颅影像、带烧录文字的超声、少见设备协议、急诊或床旁采集、包含罕见时间地点组合的纵向队列,以及多个中心共用命名规则的资料。平均抽检可能完全看不到这些失败。应按模态、设备、中心、协议、图像质量、是否有像素文字、是否包含面部区域和处理方式进行分层;对自动系统修改幅度异常高、OCR 置信度低或规则冲突的样本提高复核权重。
外部验证不能只换一个随机种子。更有意义的设计是冻结策略后,用未参与规则开发的设备、协议、中心或数据子群测试;对于像素检测,准备含已知合成标识的验证集和没有合成标识的真实样本,分别观察敏感性与误报;对于表格匿名化,比较链接攻击、稀有组合和数据效用;对于头部影像,明确是否评估三维重建和公开人脸搜索。研究结果应区分算法实验性能、数据处理质量和临床任务性能,不能把前者写成临床获益。
八、把验收写成证据包,而不是一句“已脱敏”
项目启动时可以把验收分成四个门。第一是输入门:数据卡、字段字典、模态协议、纳排规则、授权范围、纵向关联要求和访问角色齐全;样例可以使用合成标识或已获授权的脱敏样本。第二是处理门:字段、DICOM 标签、私有属性、UID、烧录文字、面部特征和输出目录均按规则完成,处理后的文件能够被目标下游读取。第三是安全门:攻击者模型、链接攻击、残余识别检查、不可复原核验和关键材料隔离证据齐全;出现可逆路径、备份残留或不能复现的报告时不放行。第四是效用门:影像几何、体素值、序列关系、相对时间、标签分布和约定的下游任务输入满足用途,任何被牺牲的字段都在限制说明中列出。
过程记录还应写清分级与复验触发器:直接标识符仍在、准标识符风险未达阈值、风险低于阈值和不含标识符,不能被混为同一档;达到预设等级后仍要完成对抗性测试与不能复原核验。处理方法或参数改变、关键密钥或对照表新引入或撤销、环境或用途变化,以及疑似重识别或泄露,均应触发再评估和复验。这里的分级是项目工程验收口径,不是统一的临床或监管结论。
每个门都要有可回溯的失败条件。例如,发现一类私有标签持续残留,应停批而不是只补一条口头提醒;发现 UID 关联断裂,应回到转换规则并检查同一研究对象的引用;发现输出仍携带原始密钥、对照表或备份快照,应先隔离材料,再重新进行不能复原核验;发现影像方向或体素间距改变导致下游任务读错,应将该批次标记为不合格,而不是用模型指标掩盖数据问题。验收表要记录样本编号、失败类型、责任角色、复判结论、修订版本和影响范围。
交付物建议包括:数据卡和字段字典、匿名化策略及参数、DICOM 处理清单、像素检查规则、攻击者模型、验证集说明、风险和效用报告、软件与配置版本、环境与访问记录、独立评价结论、导出清单、例外队列及关闭记录。若要对外共享,还需写清使用目的、禁止重识别和再提供、保存期限、事件通知、输出审核和数据销毁方式。合规文件、授权文件和技术处理文件相互关联但不能互相替代;技术团队不应替业务方或法务方作授权和监管结论。
图2 匿名化交付的验收证据链。技术示意,不表示真实患者、实验完成、认证通过或临床诊断。
九、业务实施:能力边界要和需求、建议路线分开写
从研发或数据采购角度,匿名化需求通常不是一次性买一个“万能脱敏模块”,而是要把任务、环境、专家角色和验收证据组合成项目规格。早期可先用合成 PHI 或经过授权的最小样例演练字段、像素、UID 和下游读取;小流量通过后再进入真实队列,并把异常样本独立管理。若数据必须留在院内或指定网络,应单独确认私有化位置、外联策略、权限矩阵、备份和退出方式。是否支持某一种模态、某一类烧录字、某一套 PACS 或某一种训练接口,必须以项目书面规格和样例评估为准,不能由相近产品页面自动推断。
根据已核验的公司范围,朗慧科技定位为 AI 数据基础设施及流程服务商,LangData 覆盖采集、处理、标注、质检和数据交付;医疗方向按模态、部位和任务组织数据目录,并可围绕项目规格、数据卡、质量记录和版本交付提供流程支持。这个定位可以与匿名化项目中的样例评估、任务分工、审核状态和版本化交接相适配,但不等于对所有 DICOM 属性、烧录字、面部去特征、攻击测试或安全认证已有统一现货能力。具体能力、部署边界、专家角色、处理深度、周期和验收阈值,仍应通过书面项目规格确认。
对业务团队而言,最有价值的不是承诺一个统一准确率,而是把“不可公开的原始数据如何在受控范围内进入处理”“哪些字段和像素必须保留”“哪些风险由哪一方复核”“失败后谁有权停线”写进同一份任务说明。对算法团队而言,最有价值的是得到版本冻结、标签映射、关联规则、数据划分和失败模式,而不是一包没有来源与处理日志的影像。对临床和信息部门而言,最有价值的是能复核的脱敏前后字段规则、像素检查结果、访问与输出审计以及事件后的再评估路径。三者分开写、同一版本号关联,才能让数据真正成为可交接的研发资产。
结语:把匿名化从“处理动作”提升为“证据链”
健康医疗数据的匿名化没有一个脱离场景的万能阈值。合理的工程路径是先明确用途、流通范围和最小必要字段,再按直接标识符、准标识符、纵向关系、DICOM 属性和像素风险进行组合处理;随后以攻击者模型检验无法识别,以密钥、对照表、备份和环境审计检验不能复原,以临床和算法下游任务检验数据效用;最后由独立角色复核、冻结版本,并在用途、参数、环境或风险变化时重新评估。
这样的流程不会把研究性能写成临床效果,也不会把平台自述写成认证或现货证明,却能让医疗AI研发和数据采购读者在真正的数据流通之前看见失败模式、补齐证据缺口。匿名化的交付终点不是“文件已经导出”,而是另一位没有参与实施的人,能够根据数据卡、规则、报告和日志复述:处理了什么、为什么这样处理、还有什么限制,以及下一次变化发生时应从哪里重新开始。
参考来源
- E.2 Basic Application Level Confidentiality Profile
- Guidance Regarding Methods for De-identification of Protected Health Information in Accordance with the Health Insurance Portability and Accountability Act (HIPAA) Privacy Rule
- Protecting Privacy Using k-Anonymity
- Final Report: Medical Imaging De-Identification (MIDI) Project
- Data in Support of the MIDI-B Challenge
- De-identification of medical imaging data: a comprehensive tool for ensuring patient privacy
- Re-identification of anonymised MRI head images with publicly available software: investigation of the current risk to patient privacy
- A Two-Stage De-Identification Process for Privacy-Preserving Medical Image Analysis

