跳至正文
朗慧科技

MEDICAL DATA RESEARCH

医疗数据授权链如何进入AI研发:从来源确认到可验收交付

面向医疗AI研发与数据采购,拆解医疗机构源头授权、去标识与匿名化风险评估、多方责任、数据血缘、样例验收和用途变更放行,明确治理方案不等于临床效果或法律意见。

数据治理与工程交付AI辅助整理 · 研发交流

医疗数据准备进入训练、评测或科研分析时,最先要回答的往往不是“有多少条数据”,而是“谁有权让谁在什么目的下处理哪些数据”。如果来源授权、匿名化评估、受托处理和最终使用被写在不同文件里,数据即使已经导出,也可能无法证明用途覆盖;如果只删除了表头中的姓名和编号,却没有检查自由文本、影像烧录字、罕见事件和组合字段,所谓“匿名数据”仍可能留下可识别风险。医疗数据项目的技术难点因此不止是清洗或标注,而是把授权链变成一组能被复核、能停线、能在用途变化时重新放行的工程对象。

本文讨论一种可匿名改写的医疗数据治理需求:由实际掌握数据的医疗机构或研究机构确认来源和用途,经过去标识或匿名化处理及风险评估,再由受托技术方、数据流通平台和最终使用方分别承担明确责任,最后以数据目录、评估记录、协议、质量报告和版本快照完成交付。原始材料没有指定临床病种、解剖部位、影像模态、病历字段或模型输出,因此本文不虚构一个影像标注或诊断模型项目,而把输入定义为受约束的医疗数据及其元数据,把输出定义为“可按既定目的使用的数据包加治理证据包”。这一区分决定了后续的验收颗粒度:验收对象不是诊断准确率,而是授权覆盖、处理风险、内容质量、访问边界和可追溯性。

先把需求从“数据交易”改写成治理任务

从研发角度看,这类需求的临床任务并不是对患者作出判断,而是为某个已写明的研究或模型任务准备合规输入。任务可能使用结构化临床字段、病历文本、医学影像、检验结果或多模态组合,但只有在项目说明中明确模态、时间范围、纳入排除条件、目标变量和使用环境后,才能决定数据需要保留到什么粒度。若需求没有病种和模态,公开稿就不应擅自补上肺部、肿瘤、CT或电子病历等标签,也不应把一般性的医疗数据授权方案包装成某个疾病队列建设案例。

输入至少应拆成四层。第一层是数据实体,包括记录、检查、报告、影像对象、检验结果或其他经授权的素材;第二层是描述实体的数据字典,包括字段含义、编码、单位、空值、时间语义和版本;第三层是来源与授权元数据,包括提供方、处理目的、接收方、保存期限和允许的再处理边界;第四层是治理证据,包括去标识规则、风险评估、访问日志、抽检记录、问题单和交付快照。输出也要分层:业务使用方拿到的是任务所需的数据和必要元数据,审计或质量角色还需要看到可复核的证据,但不应因此扩大原始数据的访问范围。

数据颗粒度应与任务保持一致。一个字段级任务要验收字段定义、枚举值和空值;一个纵向研究要验收患者或受试者级关联、时间顺序和重复记录;一个影像任务要进一步验收像素中的烧录信息、DICOM元数据、体素方向和导出格式;一个文本任务则要检查自由文本中的姓名、地址、日期、机构线索和罕见事件。原材料没有给出标注主体或输出标签,因此本项目的“标注主体”不是默认由某类医生或标注员完成,而应在具体项目中另行定义:谁负责规则制定,谁执行技术处理,谁进行医学或业务复核,谁有权对争议作出裁决。把角色写清楚,比笼统承诺“专家审核”更容易验收。

中国《个人信息保护法》把医疗健康信息列为敏感个人信息,要求处理具有特定目的和充分必要性,并采取严格保护措施;在向其他个人信息处理者提供个人信息、委托处理或开展其他对个人权益有重大影响的处理时,还要依据适用情形核对告知、单独同意、协议约定和事前影响评估等要求。1 因此,授权链不是一个盖章动作,而是对目的、字段、角色、期限和风险的组合证明。数据安全法也要求建立全流程数据安全管理制度,数据交易中介应要求提供方说明来源、审核交易双方身份并留存审核和交易记录。2 这意味着交易平台或技术服务方不能用“数据已经上架”替代来源证明,也不能仅凭一份合同证明技术处理已经完成。

四类角色怎样形成闭环

一个可执行的授权链至少要把四类角色分开。第一类是数据源机构,即实际掌握数据并能够说明来源、处理目的和授权范围的主体。它需要先定义数据边界:包括哪些数据类型、时间范围、最小字段、允许的研究或研发场景、可接收的角色、保存期限以及用途终止后的返还或删除方式。若数据来自多个科室、多个研究项目或多个时间段,不能用一个笼统的“全量医疗数据”代替逐项说明。

第二类是合规与风险评估角色。它可以由数据源机构内部部门、独立评估方或依法承担相关工作的专业机构完成,但其产出应能说明处理方法、风险假设、复核范围和遗留问题。评估报告的价值不在于给数据贴上“绝对安全”的标签,而在于回答:哪些字段被删除、泛化或替换;哪些自由文本和像素区域被检查;攻击者可能掌握什么额外信息;接收方的环境会如何改变识别风险;当风险超过约定边界时,谁负责停线。

第三类是流通或受托协作角色,包括数据交易平台、受托处理方、部署方或提供数据工程服务的组织。它们应当明确自己是在提供撮合、存储、加工、接口、标注、质检还是计算服务,不能把平台入驻、接口接通或数据加工等同于获得了超范围使用权。受托关系需要限制再提供、转委托、复制、留存和模型反向泄露,并保留访问、导出、异常和删除记录。若多个主体共同决定处理目的和方式,还应在协议中写明责任分工与争议处理路径。

第四类是最终使用方。它接收的不是一张脱离上下文的数据表,而是与特定任务绑定的数据包和证据包。最终使用方要确认自身用途是否在授权覆盖范围内,是否需要二次处理,是否会把数据用于训练、评测、展示、发表或商业部署,是否存在跨境或新增接收方。用途变化、病种或模态扩展、接入新模型、改变保存期限,都应触发重新审查,而不是沿用上一批数据的口头确认。

医疗数据授权链与可验收交付物的原创技术示意,展示角色、文件与放行关系,不含患者样本或真实项目结果。查看完整技术图(可放大)

图1 医疗数据授权链与可验收交付物。该图为技术示意,不代表任何真实患者、机构、合同或交易已完成。

四方协议或多方协议的技术价值,是把角色关系落到可检查的字段上。至少应能追踪数据源、授权目的、数据类别、处理方式、接收方、保存与删除、再提供限制、事件通报、审计配合和用途变更。若另有数据采购或委托处理协议,应与主授权文件的范围一致,不能在采购单中增加授权文件没有覆盖的字段或用途。数据交易所上架也只能证明某个产品或流程进入了平台规则,并不自动证明个人信息处理已经合法,更不替代医疗机构、法务和伦理角色的判断。

去标识不等于匿名化,更不等于可以随意使用

《个人信息保护法》区分了去标识化和匿名化:前者强调在不借助额外信息的情况下无法识别特定自然人,后者要求处理后无法识别且不能复原。1 工程实施时还要考虑接收方掌握的外部数据。一个脱离姓名的记录,如果保留精确日期、罕见疾病、特殊手术、细粒度地理位置和完整时间线,仍可能被熟悉该事件的人识别。美国卫生与公众服务部关于受保护健康信息去标识的官方指南也强调,专家判断和安全港并不是同一个方法;即使完成去标识,残余识别风险也不是绝对为零。3 不同法域的定义不能机械互换,海外指南只能作为风险思路的参考,最终仍要由适用法律和项目文件决定。

因此,匿名化评估不能只检查结构化表头。结构化字段需要检查直接标识符、准标识符、时间精度、地点粒度、稀有值和组合唯一性;病历文本需要检查姓名、联系方式、地址、机构、职业、日期以及能够定位单个事件的叙述;影像需要同时检查DICOM标签、烧录在像素中的文字、三维重建或面部特征等可能带来识别线索的内容;语音或视频还要考虑声音、面部、场景和文件名。处理规则应记录删除、掩码、泛化、替换、哈希或受控密钥映射的适用条件。保留研究价值时,不能用一次性“全部删掉”掩盖时间轴断裂、标签失真或无法复现的问题。

风险评估的最小单位也要写清楚。可以按记录、患者、检查、事件或数据集快照进行抽检,但单位不同会改变结论。2025年《Scientific Reports》的一项方法学研究指出,风险评估不能只看攻击发生的可能性,还应考虑事件严重性、属性暴露程度和攻击者能力;作者在示例数据上展示的结论也说明,经过常见匿名化处理的数据仍可能保留较高的组合风险。4 这类研究提供的是方法学启发,不是任何项目的合格阈值,更不能把论文中的示例风险分数直接写成项目验收结果。

第三方评估报告和法律意见应当与技术证据互相对齐。法律审阅可以检查处理依据、授权链、委托关系和合同责任;技术评估要说明实际运行的规则、样例、工具版本和复核范围;医学或业务专家要判断经过处理的数据是否仍能支持研究目标。三者有冲突时,应进入问题单,由约定的责任角色决定是否修订字段、扩大抽检、改变计算环境或暂停交付。任何一份意见都不能替代另外两类证据,也不能把“已评估”改写成“风险已消失”。

用数据血缘把文件变成可复盘对象

当数据由多个主体接力处理时,最容易丢失的不是一个字段,而是“这条记录为何会出现在当前版本中”。生物医学数据血缘综述发现,来源记录有助于解释结果、支持可靠协作和数据共享,但许多实践的覆盖范围、颗粒度和质量验证并不完整;综述还强调,敏感数据保护政策、数据质量评估、角色责任和可扩展的自动化记录需要同时设计。5 因此,项目应把实体、处理活动和参与者之间的关系写入版本记录,使数据能够被追溯、复现并解释其派生过程。

在工程上,可以为每次交付建立一个不可混淆的快照。快照应包含数据目录、字段字典、处理规则版本、授权或用途版本、工具版本、抽检记录、质量报告、问题关闭证据和导出校验结果。每条数据不一定要暴露全部原始处理细节,但至少要能从交付文件定位到来源批次、处理活动和责任角色。若一项记录由原始病历抽取为结构化字段,再经过脱敏和质量修订,系统要能描述这几次派生,而不是只保留最终CSV文件。

访问控制要与血缘记录配套。数据源机构可以访问原始数据,技术处理角色可能只需要隔离区或受控视图,质量角色需要看到样例和规则,最终使用方只接收目标字段。权限应按角色、任务、时间和环境授予,并记录查看、下载、导出、失败和删除事件。日志的意义不只是追责,也用于发现异常:例如一个不负责训练的角色大量导出数据,或一个已终止用途仍在访问旧快照,都应触发暂停和调查。加密、私有化部署或安全传输可以降低暴露风险,但它们不能替代来源授权和目的限制。

对于不宜集中导出的场景,联邦学习或隐私计算可以改变数据流动方式,但不能自动解决授权和治理问题。2025年发表在npj Digital Medicine的范围综述分析了39篇相关研究,提出医疗联邦学习需要程序、关系和结构三类治理机制;纳入文献中只有12篇属于实证研究,且其中一半主要是机构案例描述,真正报告现实部署的数据仍有限。6 因此,“原始数据不出域”不等于“模型参数没有风险”,也不等于参与方已经约定了模型用途、异常响应、退出机制和收益分配。使用联邦架构时仍要审核节点身份、梯度或参数的泄露风险、聚合方权限、模型版本、参与方退出和结果发布边界。

验收要同时看通过样例和退回样例

医疗数据授权项目适合采用“先小样、后扩量”的门禁逻辑,但试样不应只用几条看起来正常的记录。第一组样例要证明来源授权覆盖了该类数据和目标用途;第二组样例要覆盖字段缺失、格式异常、自由文本残留、像素烧录、重复记录、稀有事件和组合识别线索;第三组样例要展示处理失败后如何退回、修订、复核和关闭问题。没有退回样例,验收方无法判断团队是否真的执行了规则,只能看到一份没有反例的宣传性报告。

质量验收可以设置五道门。第一道是范围门,核对模态或文书类型、时间范围、数据类别、排除项、字段字典和授权用途。第二道是安全门,核对直接标识符、准标识符、文本和像素层面的处理记录,以及受控访问和删除流程。第三道是内容门,检查字段完整性、编码一致性、单位、时间逻辑、重复与冲突,不允许为了填满字段而凭空推断。第四道是血缘门,核对版本号、处理活动、责任角色、样例编号和问题单。第五道是放行门,确认接收方、保存期限、模型或研究用途和部署环境没有越过授权边界。

每道门都应有可操作的验收证据。例如,范围门要能打开授权版本和数据字典;安全门要能打开去标识规则、抽检表和残余风险说明;内容门要能在目标工具中读入样例并复核编码、时间和格式;血缘门要能从样例追到快照和处理版本;放行门要有责任角色签字或等价的电子审批。所谓“合规材料齐全”如果无法定位到数据版本,就不足以支撑交付。反过来,一份技术质量报告如果没有授权范围,也不能成为可用数据的证明。

医疗数据从需求规格到持续治理的原创技术示意,展示验收逻辑与用途变更,不含患者样本或实验结果。查看完整技术图(可放大)

图2 医疗数据从需求到持续治理的验收闭环。该图为技术示意,不表示统一阈值、临床性能、监管批准或真实项目结果。

验收主体也不应由单一角色包办。数据源方确认来源与授权,技术团队说明处理规则和系统记录,医学或业务专家确认数据仍符合任务定义,信息安全角色确认访问与留存控制,最终使用方确认下游可读性和用途边界。发生争议时,不建议用平均分掩盖分歧。争议记录应保留原判断、复核依据、裁决角色和规则版本,必要时将该批次退回隔离区。这样做的业务价值不是增加文档数量,而是让返工、停线和扩量有清晰的触发条件。

从质量记录走向外部验证

授权链完整并不意味着模型在临床上有效。数据源可能来自单一机构、单一设备或特定人群,处理过程还可能改变字段分布、标签含义和时间结构。外部验证应在数据划分前写进方案,按患者、受试者、事件或其他合理单位隔离相关记录,避免同一人的多次就诊或同一事件的派生副本落入不同集合。若任务涉及多中心数据,还要记录中心、设备、协议和人群差异,并把缺失和不可比情况单独标记。

偏差检查不能只看总体样本量。应观察年龄、性别、地区、疾病严重程度、就诊路径、数据缺失和转诊机制等与任务相关的分布,也要观察哪些群体被系统性排除。2026年的医疗联邦学习伦理综述纳入38项研究,指出隐私、公平、治理和资源公平常被分别讨论,不同研究对隐私与公平权衡的评价差异很大,只有少数研究报告真实临床部署。7 因此,文章可以讨论如何设计偏差审查和外部验证,却不能把某个数据项目的授权完成推导为模型的公平性或临床效果。

WHO的医疗人工智能伦理治理指南强调,医疗AI的设计、部署和使用应把伦理与人权置于核心,并要求对公共和私营部门的相关主体保持问责。8 这对数据采购的启示是:数据包的使用目的、接收方、输出形式和人工监督不能分开写。训练、评测、展示、研究发表和临床部署并不是同一个授权场景,也不应共享同一份未经复核的放行结论。

业务实施如何保持边界

在业务上,最稳妥的路径是把项目分为需求澄清、样例评估、试点处理、独立复核、版本冻结和扩量交付。需求澄清阶段只确认任务、输入、输出、角色和用途,不提前承诺数据规模或临床效果;样例评估阶段同时验证文件和数据,不通过就停留在评估;试点阶段固定规则和工具版本,记录返工与争议;独立复核阶段检查来源、风险、内容和血缘;版本冻结后才允许进入规模交付。任何新增接收方、病种、模态、字段、模型用途或跨境路径,都应回到授权与风险评估节点。

采购文件可以把交付拆成两类。第一类是数据交付物,包括数据文件、字段字典、格式说明、质量报告和已知限制;第二类是治理交付物,包括来源与用途说明、授权或委托文件、匿名化或去标识评估、处理规则版本、访问与删除说明、样例验收记录和变更记录。法律意见、第三方评估和交易平台凭证应按实际角色归档,不能把某个角色的文件扩写为其他角色已经完成的证明。内部核算信息、未公开名单、原始样例和合同专属条款不属于公开技术分析,也不应写进对外文章或搜索查询。

依据已核验的公司能力范围,朗慧的公开定位是面向企业和模型研发团队的AI数据基础设施及流程服务商,覆盖数据采集、处理、标注、质检和数据交付,并以项目规格、数据卡、质量记录和版本化交付作为质量依据。这样的能力可以帮助项目把数据目录、处理流程、样例检查、质量问题和版本快照组织起来,但不能据此推断其已经拥有某个医疗机构的数据授权,也不能替代数据源方、法务、伦理机构或数据交易平台作出决定。具体项目是否支持某种模态、部署方式、专家复核深度和接口范围,仍需结合样例、书面规格和实际验收确认。

医疗数据授权链的研发价值,正在于把“能不能拿到数据”转换为“数据为什么可以被这个主体以这个目的使用,以及出了问题如何追溯”。当授权、风险评估、技术处理、质量记录和用途变更被放在同一个版本化闭环中,算法团队才能知道输入的边界,采购团队才能比较可核验的交付物,医疗和信息部门才能在扩量前发现阻塞项。它不承诺某个模型会得到怎样的临床结果,却能减少把未经说明的数据、未经核对的用途和不可复盘的处理过程直接送入研发管线的风险。

本文为医疗AI研发与数据采购的技术方法讨论,不构成法律意见、伦理审批、医疗诊断或监管批准。适用的授权依据、数据出境路径、伦理要求和行业标准应由项目责任方结合具体数据、地域和用途确认。

参考来源

  1. 中华人民共和国个人信息保护法
  2. 中华人民共和国数据安全法
  3. Guidance Regarding Methods for De-identification of Protected Health Information in Accordance with the HIPAA Privacy Rule
  4. Practical and ready-to-use methodology to assess the re-identification risk in anonymized datasets
  5. Provenance information for biomedical data and workflows: Scoping review
  6. A scoping review of the governance of federated learning in healthcare
  7. Federated learning in healthcare ethics: a systematic review of privacy-preserving and equitable medical AI
  8. Ethics and governance of artificial intelligence for health