标签
Thunder-DeID+ 提出一种边界感知的韩语去标识化方法，通过改进的 BPE 分词器与三层 PII 分类体系，将法院判决书上的 Strict Typed F1 从 0.76-0.77 提升至 0.87-0.88，并在微调后达到 0.93，实现向更广泛敏感文档的迁移。
AegisVox 提出一种因子化的临床语音隐私框架，为每位说话者分配一致的代理声音并编辑含标识符的语音轮次，在 63.6 小时模拟对话上比较了 TTS 与编解码语音编辑器在替换实现、说话者关联与临床信息保留之间的权衡。
OpenMed 3.0 发布：基于 Apache-2.0 许可的临床 AI SDK，完全在本地运行、绝不回退到云端，可将临床文本转化为结构化且去标识化的洞察。
本文介绍G-RELIC，一种基于图的方法，通过结合LLMs与图技术，改善临床文档重词汇化的一致性，增强关系完整性和时间连贯性，同时保持隐私基准。
MedDeID 是一个本地部署的框架，用于使用真实或合成训练数据对临床文本进行去标识化，在检测个人身份信息方面实现了高准确率，同时最小化过度编辑。
本研究证明，使用机构特定提示的大型语言模型能够恢复现有去标识化系统遗漏的受保护健康信息，从而增强电子健康记录中的数据隐私合规性。
This paper evaluates whether structure-preserving de-identification via surrogate substitution maintains PHI detectability across multiple detectors, using equivalence testing on 57k paired spans across 7 languages and 11 detectors.
Kimi K3 人工智能模型在 OpenMed 从 DICOM 数据中移除所有 23 个患者标识符后成功读取了一张胸片，从而确保了隐私。该模型正确识别出左侧白肺（left-sided whiteout）。
OpenMed 1.8 是一款 Apache-2.0 临床去标识化工具包，完全本地运行，新增对 Android、iOS 和浏览器平台的支持，并邀请社区为 1.9 版本贡献力量。
650多个Apache-2.0许可的生物医学NER和去标识化模型集合，通过MLX在设备端运行，在M3 Max上实现比PyTorch-CPU快30-40倍的推理速度，且输出一致。
本文提出了一种用于教育对话去标识化的全本地AI级联框架，结合了先召回候选生成器与上下文感知的移除/保留评审器。该方法在不将数据发送到外部API的情况下实现了高精度，在数学辅导记录上优于更小的本地模型和商业API。
Meddies PII 是一个用于临床文本去标识化的开源多语言模型及数据集，旨在移除患者标识符的同时保留临床事实。它利用动态提示生成的合成数据，以处理多样化的真实世界格式。