本文提出了一种针对非结构化临床文本去标识化（de-identification）的新问题建模方式。传统上，去标识化被视为令牌分类（token classification）任务，即对文本中的每个词或符号标注是否为受保护的健康信息（PHI），如姓名、日期、地点等。作者创新性地将其重新定义为序列到序列（sequence-to-sequence）学习问题，受近年来序列到序列模型在命名实体识别（NER）中取得最优表现的启发。具体而言，模型将原始文本作为输入序列，直接输出已去标识化的文本序列（例如用占位符替换PHI），从而绕过显式标注每个令牌类别的步骤。早期实验在i2b2数据集上达到了98.91%的召回率，与当前最先进的非结构化临床文本去标识化模型性能相当。该方法的潜在优势包括：简化标注流程、可以利用大规模语言模型的生成能力、以及能够更自然地处理上下文依赖的PHI识别。本文的核心贡献在于提出这一新的问题形式化，并通过初步实验证明其可行性，为后续在更广泛临床语料上的优化和评估奠定了基础。适合关注医疗信息隐私保护、自然语言处理安全应用以及数据脱敏技术的研究人员和工程师阅读。