本文（arXiv 论文）针对机器学习在医疗健康领域应用中的可信度（Trustworthiness）与公平性（Fairness）问题进行了系统性分析。在医疗场景下，模型必须同时满足精准性、可解释性、鲁棒性和无偏见等要求，但现有研究往往只关注单一指标。论文可能提出了一套多维度的评估框架，用于量化模型在不同人群亚组上的表现差异，并探讨了数据偏差、算法偏差和评估偏差等来源。此外，文章还讨论了可解释性与透明度对医生和患者信任建立的重要性。通过实证案例或理论论证，论文揭示了当前医疗 AI 在公平性保障上的不足，并提出了改进建议，例如采用公平性约束训练、后处理校准等。该研究对医疗 AI 系统开发者、监管者和临床决策者具有参考价值。由于仅提供论文标题，以上内容为基于题目的合理推断，具体细节请参阅原文。

本研究针对医疗行业网络威胁在2017至2024年间的发展趋势进行了首次大规模、多源实证分析。研究整合了MITRE ATT&CK行为框架、CISA已知已利用漏洞目录（KEV）和NIST国家漏洞数据库（NVD）三个权威数据源，共收集1,214条威胁记录，涉及44个经确认针对医疗行业发起攻击的威胁组织。通过时间序列分析，研究发现攻击者行为发生了显著的战术转移：防御规避(Defense Evasion)始终是使用最频繁的战术，在观测期内稳定占技术使用总量的15%-20%；而持久化(Persistence)和初始访问(Initial Access)战术的使用比例分别从11.2%和9.0%降至零，表明攻击者更倾向于在受害环境中隐蔽驻留并利用已有访问通道而非重新渗透。进一步分析指出，现有检测指导与攻击者的实际能力投放存在结构性错位：攻击者最常使用的技术恰恰是检测覆盖最薄弱的部分。作者还通过收敛性分析将679个已被确认利用的漏洞映射至单一主导行为技术，揭示了漏洞面与行为面之间的公共可干预瓶颈。最终，研究识别出42个高优先级技术，被认为是即时的检测机会，并证明这些技术直接对应于AI集成临床系统所面临的新兴威胁。该工作为医疗行业安全团队提供了基于证据的资源分配依据，并为未来AI医疗系统的威胁建模奠定了基础。

本文提出一种针对临床脑电图（EEG）数据的隐私保护联邦学习框架，核心机制是基于掩码的安全聚合（secure aggregation）。联邦学习虽然允许多个机构在不交换原始临床EEG数据的前提下共同训练模型，但个体模型更新仍可能泄露患者隐私。为解决这一问题，论文将多种技术融合到框架中：基于图的通信拓扑、阈值秘密共享、抗节点掉线（dropout）的聚合协议、局部更新裁剪，以及可选的基于布隆过滤器的隐私保护记录链接初始化模块，并引入辅助公证人（auxiliary notary）机制来实现聚合结果的可验证性。该框架同时支持半诚实（semi-honest）和恶意（malicious）聚合器安全模型，并基于Flower联邦学习框架实现。实验在模拟的跨机构（cross-silo）医疗场景下进行，使用TUH EEG数据集，并配置了不同的客户端数量。结果表明，在既定假设下，安全聚合变体能够对聚合服务器隐藏个体更新，且与联邦模型训练兼容。然而，针对恶意设置的防护机制以及轻量级一致性检查会引入额外的计算、通信和训练轮次耗时。其中，半诚实变体在安全配置中开销最低，而恶意设置和辅助公证人变体以更高成本换取更强的数据一致性、完整性以及轻量级验证支持。该研究为医疗领域中的EEG数据共享与协作建模提供了可落地的隐私保护方案。

本文研究大型语言模型（LLM）在医疗场景中内置安全防护的鲁棒性问题，以AI辅助医疗记录篡改为具体案例。作者做出了四项贡献：第一，开发了一个可复现的篡改流水线，利用公开的医疗记录模板，通过商用LLM替换患者姓名、提供者身份、日期和医疗条件，跨多个模型家族、输入格式和提示措辞生成定制化篡改记录。第二，对LLM防护机制在医疗记录篡改方面的鲁棒性进行了系统实证评估，结果显示当前商用LLM防护存在显著弱点和不一致性，包括多个模型家族的低拒绝率。第三，结合自动评估指标和人工标注指标，评估了请求篡改的正确性。第四，通过用户研究评估篡改医疗记录的可信度，发现最佳篡改在视觉上与原始文档难以区分。最后，讨论了负责任的LLM防护设计、AI安全政策以及医疗场景部署LLM的伦理启示。

本文研究了新冠病毒PCR检测供应链的安全性问题。PCR检测是疫情防控的核心手段，但其供应链涵盖试剂生产、冷链物流、实验室分析及数据上报等环节，每个环节都可能成为攻击目标。作者首先识别了供应链中的关键脆弱点，如试剂成分被替换或稀释、温度监控失效导致样本降解、检测结果被中间人篡改等。针对这些风险，论文提出了一种基于区块链的供应链追踪与验证框架，通过将每个环节的关键数据（试剂批号、温度记录、操作人员、检测结果哈希）记录到不可篡改的分布式账本上，实现全流程可追溯性。同时引入智能合约自动执行合规检查，当检测到异常（如温度超限、时间戳不连续）时触发警报。在仿真实验中，该框架成功检测出90%以上的模拟攻击场景，并能在秒级内完成验证。但框架的实时性受限于区块链确认延迟，且部署需要改造现有流程，成本较高。论文还讨论了隐私保护方案，如使用零知识证明隐藏具体数据内容。本文为医疗供应链安全提供了新的技术思路，但尚未经过真实大规模部署验证。适合从事医疗网络安全、供应链安全及区块链应用的研究人员阅读。

医疗影像系统（如DICOM和PACS）的安全性至关重要，因为其暴露可能危及敏感患者数据和临床操作。然而，现有的针对DICOM的防御工具（如蜜罐）交互能力有限，容易被攻击者识别指纹而规避。本文提出了DICOMHawk，一种面向医疗成像基础设施的网络欺骗框架。该框架通过模拟真实的DICOM和PACS服务行为，动态填充逼真的医疗记录，并嵌入蜜标（honeytoken）来增强诱饵的真实性。研究者进行了两项实验：一项为期86天的对比测试（与现有Dicompot蜜罐对比），另一项为期347天跨多个网络的部署。结果表明，DICOMHawk吸引了比Dicompot更多的有效会话，成功避免了蜜罐检测，并捕获了49个针对医疗系统的攻击。这些结果证明，通过构建长期、多位置、高交互性的欺骗环境，可以显著提升对威胁的可见性。DICOMHawk为医疗行业提供了一种新的防御手段，有助于早期发现针对PACS和DICOM基础设施的攻击活动。

本文提出了一个名为 PriEval-Protect 的统一框架，用于医疗保健系统中的隐私风险评估与保护。当前，在 GDPR 和 HIPAA 等法规下，保护患者隐私并同时允许有意义的医疗数据使用至关重要，但现有合规方法通常依赖人工，容易出错，且将政策审计与数据级评估割裂。PriEval-Protect 采用两阶段设计：评估阶段结合了基于微调法律大语言模型（LLM）与检索增强生成（RAG）的监管合规评分，以及通过加密类型、数据架构和多种度量指标（包括相似度、不确定性、攻击者成功率、信息增益/损失）进行的技术分析。利用层次分析法（AHP）对各类指标进行加权聚合，得出综合风险评分。保护阶段则根据评估的风险推荐相应的防护措施，例如联邦学习和差分隐私。作者在真实医院文档和数据集上进行了实验，结果表明该框架能提供与法规对齐且可解释的评估，有效弥合了法律合规与数据级风险分析之间的鸿沟。该工作对于需要自动化隐私合规评估的安全团队、合规官以及医疗行业的数据保护从业者具有参考价值。

该论文聚焦于基于代理的AI系统（agent-based AI）在医疗报告生成应用中的安全风险与缓解措施。通过将AI代理暴露给多个工具和资源，LLM能够自动化复杂任务，但为了提升功能和准确性，代理常被授予超出普通用户的权限，这可能导致数据泄露和法规违规。论文应用了AI信任、风险与安全管理（TRiSM）框架，将不安全的代理工作流改造为安全意识的代理工作流。作者针对医疗报告生成场景，设计了两种工作流（不安全 vs. TRiSM引导），并使用五种LLM（Claude Haiku 4.5, GPT-4.1-nano, GPT-4.1-mini, GPT-5.4-mini, Gemini 2.5 Flash）在两种报告类型上进行了评估，总计800次生成和500个攻击场景（包括RAG投毒、数据字段注入、客户端网络注入）。实验结果表明：TRiSM引导的代理工作流将RAG投毒的平均攻击成功率从31%降至10%，数据字段注入从42%降至25%，并通过服务器端提示构建完全消除了网络注入向量。此外，报告准确率从72.5%提升至86.5%（增加14个百分点），证明了安全设计能同时提高输出可靠性。论文的贡献在于展示了最小权限、深度防御的代理工作流可以改善安全性和准确性，同时强调了模型选择是架构中必要的考量因素。适合安全研究人员、AI开发者和医疗IT从业者阅读。

该论文研究了联邦学习在跨中心败血症早期预测中的应用。败血症早期预测需要多中心医疗数据，但数据隐私和分布式特性阻碍了集中式建模。联邦学习允许多个机构在不共享原始数据的情况下联合训练模型，但其实际性能、鲁棒性和隐私保护优势尚未在真实临床数据中得到充分评估。为此，作者从中国三家三级医院收集了648个临床筛选样本，并制定了严格的纳入排除标准。他们建立了集中式训练范式作为性能基线，然后实现了水平联邦学习框架进行分布式协同建模。大量实验表明，基于联邦学习的模型在预测准确性上与集中式模型高度接近，同时从根本上避免了隐私泄露。进一步的隐私安全分析验证了恶意攻击者无法从传输的模型参数中重建原始患者数据，表明其具有很强的抗数据重建攻击能力。这项工作不仅验证了联邦学习在临床败血症预测中的实用性和安全性，也为隐私保护的多中心医疗协作提供了可靠且可行的解决方案。

本研究聚焦于中国用户在使用基于大语言模型（LLM）的医疗咨询服务时的隐私意识与期望。随着LLM在医疗领域的广泛应用，用户隐私问题日益突出。研究通过问卷调查和访谈，探索用户对医疗聊天机器人隐私实践的认知、担忧以及期望。核心发现是：尽管用户普遍关注隐私，但由于LLM医疗咨询的便捷性和普及性（即“普及性压倒关注”），用户往往在行为上妥协，对隐私风险认知不足。研究还揭示用户对数据存储、共享和匿名化有特定期望，但现有系统未充分满足。论文通过定性和定量方法，揭示了用户隐私态度与行为之间的差距，为设计更符合用户预期的隐私保护机制提供了依据。主要贡献包括：1）构建了中国用户对LLM医疗咨询隐私期望的理论框架；2）识别了影响用户隐私决策的关键因素；3）提出了面向开发者和政策制定者的隐私增强建议。适合隐私研究员、LLM应用开发者、医疗科技政策制定者阅读。