A Lightweight Ethereum Voting Prototype for Hospital Ethics Committees with Receipt-Based Inclusion Verification
本文提出并实现了一个面向医院伦理委员会（Hospital Ethics Committee）投票场景的轻量级以太坊原型系统，技术栈为 Solidity 智能合约、Hardhat 开发与测试框架、React 前端、MetaMask 钱包与 e
#healthcare
共收录 12 条相关情报。
← 返回所有主题Multi-center Medical Data Mining with FL-Net - A One-stop Shop for Federated Learning
该论文聚焦于联邦学习在临床多中心研究中的落地难题。作者指出，联邦学习虽然能在不共享患者级原始数据的前提下实现多方协同建模，但绝大多数研究仍停留在仿真阶段，难以真正部署到跨医院的真实临床研究中。为厘清差距，作者先从文献中归纳出五项核心需求（涵
Analysis of Trustworthiness and Fairness in Machine Learning for Healthcare.
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
A Decade of Healthcare Cyber Threats: Empirical Analysis, Evidence-Based Prioritisation, and AI Threat Model
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
Secure Aggregation for Privacy-Preserving Federated Learning on Clinical EEG Data
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。
The Mirage of LLM Guardrails: A Case Study in AI-Assisted Medical Note Manipulation
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
Supply Chain Security of PCR Tests.
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
DICOMHawk: A Cyber Deception Framework for Medical Imaging Infrastructure
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
PriEval-Protect: A Unified Framework for Privacy Evaluation and Protection in Healthcare Systems
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，
Why Trust Your Agent? Empirical Security Gains from TRiSM-Guided Agentic Workflows in Healthcare
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
Federated Learning for Multi-Center Sepsis Early Prediction with Privacy-Preserving
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
Prevalence Overshadows Concerns? Understanding Chinese Users' Privacy Awareness and Expectations Towards LLM-Based Healthcare Consultation.
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