Meddies PII：用于临床文本的开源多语言去标识化模型

临床AI模型无需知道患者身份即可进行临床推理。它需要的是症状、用药、实验室结果、诊断史和治疗过程。问题在于，在真实的医疗记录中，这些事实通常与标识符并存：姓名、病历号、保险号、地址、电话号码、入院日期、科室名称。因此，临床去标识化面临双重责任：1. 不得泄露患者标识符。2. 不得破坏仍需使用的临床事实。第二部分容易被低估。如果模型遗漏了出生日期，隐私边界就被突破；如果它删除了“肌酐86 µmol/L”或“二甲双胍500 mg”，下游的临床记录就失去了意义。两者都是失败，但后果不同。为此我们构建了Meddies PII。它是一个用于多语言临床去标识化的开源研究模型及数据集。该数据集是合成数据，通过动态提示生成，在每次生成时变化语言、文档类型、文档标签、笔记长度、文本格式、边缘情况和标识符类别。目标不是制作一个漂亮的模板，而是在医院数据实际呈现的杂乱表面上保持稳定的提取行为：匆忙的笔记、护理表格、JSON/XML导出、多语言文本、行政记录和聊天风格的提示。Meddies PII并不是一个完整的去标识化产品。医院仍需要政策、审计日志、本地验证、人工升级路径和部署控制。但我们认为这是一个有用的起点：足够开放以供审查，足够严谨以供坦诚讨论，并且基于这样的现实构建——临床AI需要超越基准性能才能实现可部署性。 全文：[https://meddies.ai/research/meddies-pii](https://meddies.ai/research/meddies-pii) 演示：[https://huggingface.co/spaces/Meddies/meddies-pii-extractor](https://huggingface.co/spaces/Meddies/meddies-pii-extractor) 模型：[https://huggingface.co/Meddies/meddies-pii](https://huggingface.co/Meddies/meddies-pii) 数据集：[https://huggingface.co/datasets/Meddies/meddies-pii](https://huggingface.co/datasets/Meddies/meddies-pii)