随着人工智能技术在医疗领域的深入应用，深度学习模型已成为医学影像分析、生存预测和电子健康记录建模的核心工具。然而，这些模型在训练过程中可能记忆敏感的患者信息，面临成员推理攻击、模型反演攻击等隐私泄露风险。如何在保障患者隐私的前提下维持模型的临床效用，成为医疗AI落地的重要挑战。
差分隐私(DP)作为一种严格的数学框架，通过向计算过程注入可控噪声来限制单个记录对模型输出的影响，为医疗数据保护提供了可靠方案。尽管DP在理论上具有强大保障，但其实际部署仍面临诸多挑战：噪声注入会降低模型性能，可能对不同患者亚组产生不均衡影响，甚至加剧医疗领域已有的不公平现象。
为全面评估DP在医疗深度学习中的应用现状，Marziyeh Mohammadi等研究人员在《npj Digital Medicine》上发表了首篇系统综述，分析了截至2025年3月的74项实证研究。研究团队通过系统检索PubMed、IEEE Xplore等数据库，采用PRISMA-ScR指南严格筛选文献，最终纳入51篇数据库文献和23篇通过引文追踪获得的文献，涵盖影像学、基因组学、生物信号等多种数据类型。
研究重点关注三个核心问题：医疗深度学习模型的信息泄露程度、DP方法对隐私攻击的缓解效果，以及DP对模型性能、公平性和临床适用性的实际影响。通过系统分析，团队发现DP-SGD是最主流的实现方式，尤其在集中式学习和联邦学习(FL)设置中广泛应用。
在技术方法层面，研究团队重点分析了DP-SGD的工作机制：对每个样本的梯度进行裁剪以限制敏感性，再加入高斯噪声进行扰动。整个过程通过Rényi差分隐私(RDP)进行隐私预算核算，确保累积隐私损失可控。此外，团队还考察了模型架构选择(如ResNet等紧凑卷积神经网络)、归一化策略(优先使用组归一化避免批次统计量依赖)以及预训练等重要技术因素对隐私-效用权衡的影响。
研究结果显示，DP的隐私-效用权衡高度依赖于隐私预算设置。在中等隐私预算(ε≈10)下，尤其是胸部X光和CT分类等结构化影像任务中，模型能保持接近非私有基线的性能。例如，胸部X光模型的AUC从89.7%轻微下降至87.4%(ε=7.9)，腹部CT分类在ε=8时仍保持99.3%的AUC。然而，在严格隐私预算(ε≈1)下，大多数任务出现显著性能下降：胸部X光AUC降至84.0%(ε=0.5)，病理语音分类准确率从99.1%降至88.3%(ε=0.9)。
不同医学模态对DP噪声的敏感性存在明显差异。组织病理学、皮肤镜检查和病理语音等领域由于数据集规模较小或输入变异性较高，表现出更大的性能下降幅度。研究还发现预训练是缓解DP性能损失的有效策略，从ImageNet或通用语音语料库初始化的模型即使在严格隐私约束下也能保持较好性能。
在公平性影响方面，只有少数研究系统评估了DP对患者亚组性能的影响。Tayebi Arasteh等研究发现，在胸部X光分类和病理语音识别任务中，DP噪声可能与数据不平衡产生交互作用，对某些年龄组产生不成比例的影响。然而，在多机构评估中，研究人员发现性能下降与亚组规模无关，而是取决于任务难度；在中等隐私水平(ε≈5-10)下，公平性保持稳定，某些 underrepresented 群体甚至从更强的隐私保护中受益。
攻击防御评估表明，DP能有效缓解成员推理攻击和梯度反演攻击，但保护效果高度依赖于具体场景。Fan等指出类别不平衡和浅层架构会增加DP下的攻击脆弱性，而Almadhoun等证明即使在DP-SGD下，弱噪声或有限裁剪仍可能导致攻击成功。局部差分隐私(LDP)单独使用在对抗条件下防护不足，需要与安全聚合或多方计算等加密方法结合使用。
研究还总结了DP-SGD之外的替代隐私机制，包括教师模型私有聚合(PATE)框架、联邦学习中的本地扰动、数据/输出直接扰动以及DP合成数据生成等方法。这些替代方案在特定场景下可能提供更好的效用-隐私权衡，但报告规范存在较大异质性。
在讨论部分，作者强调DP不仅是一个训练时保障，更是一种有限资源，需要在模型整个生命周期中进行管理。部署后重复查询或微调会消耗隐私预算，要求医疗机构建立访问认证、查询日志、审计跟踪等治理机制。作者还指出当前研究在报告规范上存在明显不足：许多研究遗漏关键参数(如δ值、裁剪范数)、缺乏多隐私水平的性能评估、公平性审计不系统等。
这项研究的重要意义在于首次系统梳理了DP在医疗深度学习中的应用全景，为后续研究提供了明确的方向。作者建议未来工作应优先关注以下几个方面：将公平性评估作为DP流程的核心组成部分而不仅仅是事后审计；建立带有 demographic 标注的基准数据集支持可比较的公平性审计；开发在训练过程中整合公平性的DP方法；提高参数报告透明度以支持可重复性。
该综述为开发兼顾隐私、公平和效用的可信医疗AI系统提供了实践指南，强调需要将隐私保护、公平性和效用作为协同设计目标而非孤立考虑。随着医疗AI在临床环境中的深入应用，这种综合方法将对实现负责任、可信任的医疗人工智能部署产生深远影响。
打赏
