本地LLM+规则检测器：临床文本去标识化开源工具包

临床文本的去标识化（de-identification）是医疗数据共享和二次利用的前提，但如何在保护隐私的同时保持高召回率，一直是个难题。近期一项研究提出了DeidSharp——一个开源的.NET工具包，它结合了本地部署的大型语言模型（LLM）与基于规则的检测器，在多个数据集上实现了优于现有工具的表现。

为什么需要本地化去标识化？

传统的去标识化工具通常依赖云端API或预定义规则，前者存在数据泄露风险，后者难以覆盖临床文本中多样化的PHI（受保护健康信息）表达。DeidSharp的核心思路是：在本地运行一个26B参数的混合专家（MoE）LLM，并叠加确定性的模式匹配和临床命名实体识别（NER）模型，通过多检测器投票来提升召回率。任何检测器出错时，系统会“失效关闭”（fail closed），即采取保守策略，避免遗漏。

受保护健康信息（PHI） 是美国HIPAA隐私规则下的核心概念，指任何可单独识别个人身份且与健康状态、医疗服务或支付相关的信息，包括姓名、地址、日期（除年份外）、电话号码、病历号、设备标识符等18类标识符。临床文本去标识化的目标就是检测并移除或替换这些PHI，使数据可以在不泄露患者身份的前提下用于研究和二次利用。

混合专家（MoE）架构 是一种稀疏激活的神经网络设计：模型包含多个“专家”子网络和一个门控网络，每次前向传播只激活少数专家。这使得模型总参数量可以很大（如26B），但实际计算量远低于同等参数量的稠密模型，从而在本地部署时兼顾能力与效率。DeidSharp选择MoE LLM，正是看中其在有限硬件上运行较大模型的能力。

多检测器堆叠的设计

DeidSharp支持可插拔的检测器，包括正则表达式、临床NER模型和本地LLM。研究团队预设了两种配置：召回优先（recall-first）和精确优先（precision-first）。召回优先堆叠使用所有检测器，精确优先堆叠则去掉了NER模型，以降低误报。这种设计允许用户根据场景在召回率和精确率之间权衡。

失效关闭（fail closed） 是安全工程中的一种设计原则：当系统组件出现故障或不确定时，默认采取最保守、最安全的动作。在去标识化场景中，这意味着如果某个检测器报错或无法判断，系统会将该片段标记为PHI并予以遮蔽，而不是放行。与之相对的是“失效开放”（fail open），即出错时默认放行。医疗隐私场景通常要求失效关闭，因为漏检PHI的代价远高于误报。

临床命名实体识别（NER） 模型专门用于从临床文本中抽取实体，如人名、地名、机构名、日期、药物、疾病等。与通用NER相比，临床NER需要处理缩写、非标准表达和密集的医学术语。在DeidSharp中，NER模型主要补充LLM可能遗漏的地名等实体，与正则和LLM形成互补。

实验设计与对比基线

研究在PhysioNet护理记录（889个PHI片段）和半合成的MIMIC-IV-Note出院小结（29,023个PHI片段）上进行了评估，并与deid、Philter、Stanford/Penn去标识器、OpenAI Privacy Filter和GLiNER等工具对比。调参集和报告集分开，采用配对患者级bootstrap置信区间，确保统计严谨性。

配对患者级bootstrap置信区间 是一种统计评估方法。bootstrap通过有放回重采样估计统计量的抽样分布；配对则指对同一批患者样本上两个工具的预测结果进行成对比较，以控制患者间的异质性；患者级意味着重采样单位是患者而非片段，避免同一患者的多个片段被拆分到不同样本中导致置信区间过窄。这种方法在临床NLP评估中越来越受重视，因为它能更真实地反映工具在新患者群体上的表现差异。

关键结果：召回率显著提升

在护理记录中，召回优先堆叠相对Stanford/Penn的召回率提升了2.8个百分点（达到98.9%），但精确率低了9.3个百分点；精确优先堆叠（无NER）召回率达到96.5%，与Stanford/Penn持平，但精确率高出19.6个百分点（83.2%）。在出院小结中，两种堆叠的召回率均领先Stanford/Penn超过20个百分点（召回优先达95.3%），提升几乎全部来自生成的未类型化姓名；在类型化标签上，三者均超过99%。所有四项预设比较均成立。

有意思的是，在deid的“主场”语料上，没有配置能显著超越deid；Philter在出院小结上找到了更多片段，但精确率低了23个百分点。

LLM是主力，但自我验证有风险

讨论部分指出，LLM是主要的检测器，NER主要补充了地名。然而，当要求LLM验证自己发现的实体时，它丢弃了四分之一真实的PHI。这提示我们，LLM的自我验证并不可靠，需要外部规则或模型来兜底。

对临床NLP实践的启示

DeidSharp的意义在于提供了一种本地化、高召回的去标识化方案，尤其适合对数据隐私要求严格的医疗机构。其开源特性也便于社区审查和扩展。不过，精确率的下降提醒我们，高召回往往以更多误报为代价，实际部署时需要根据下游任务调整配置。未来，如何更好地融合LLM与规则检测器、减少自我验证的假阴性，仍是值得探索的方向。