[发明专利]医疗数据脱敏方法及系统

权利要求书

1.一种医疗数据脱敏方法，其特征在于，包括以下步骤：

S1、将采集的医疗数据进行文本数据和非文本数据的分类；

S2、提取文本数据中的关键词，保留非关键词的原文，将提取的关键词和非文本数据作为待脱敏数据；

S3、对待脱敏数据进行个人身份信息、个人医疗信息、日期信息、地址信息和其他信息的分类；

S4、对分类后的信息进行脱敏处理：对个人身份信息进行加密处理，对个人医疗信息和日期信息进行模糊化处理，对地址信息进行掩码遮盖处理获得文本描述，对其他信息保留原文处理；

步骤S1中，根据医疗数据的各字段名称进行文本数据和非文本数据的分类；

步骤S2中，Pointer Network模型基于Transformer框架对BERT模型的Attention机制进行改进得到BERT-Pointer Network模型；BERT-Pointer Network模型将文本信息基于上下文信息转化为词向量并提取文本数据中的关键词；

改进后的Attention机制公式为：

；

；

Pointer Network模型的输出序列来源于输入序列，i的范围是预先设定的最大范围为输出序列的长度，向量代表着第j个输入向量的Attention掩码；T表示矩阵转置，e_j、d_i为状态量，v、W₁、W₂为学习参数；C₁、C_i-1、C_i均为随机变量代表输入序列中的某一项，p为超参数代表联合概率分布；为已知前i-1项，第i项发生的条件概率。

2.根据权利要求1所述的医疗数据脱敏方法，其特征在于，步骤S3包括：BERT模型将文本信息基于上下文信息转化为词向量；PCA模型对BERT模型的输出结果进行主成分分解，合并相似医疗字段，删除无关医疗字段；使用聚类算法对PCA模型的输出结果进行聚类。

3.根据权利要求2所述的医疗数据脱敏方法，其特征在于，包括：通过聚类算法判断新数据与个人身份信息、个人医疗信息、日期信息、地址信息四类数据的余弦距离，若新数据和其中一类数据的距离最近且低于预设阈值，则将新数据分配到这一类别的数据中；若新数据和四类数据的距离都大于预设阈值，则将新数据标注为其他信息。

4.一种医疗数据脱敏系统，其特征在于，包括：

数据分类模块，用于将采集的医疗数据进行文本数据和非文本数据的分类；

敏感词提取模块，用于提取文本数据中的关键词，将提取的关键词送入字段分类模块，并保留非关键词的原文；

字段分类模块，用于对非文本数据和关键词进行个人身份信息、个人医疗信息、日期信息、地址信息和其他信息的分类；

数据脱敏模块，用于对字段分类模块分类后的信息进行脱敏处理：对个人身份信息进行加密处理，对个人医疗信息和日期信息进行模糊化处理，对地址信息进行掩码遮盖处理获得文本描述，对其他信息保留原文处理；

敏感词提取模块包括：

Pointer Network模型，用于基于Transformer框架对BERT模型的Attention机制进行改进得到BERT-Pointer Network模型；改进后的Attention机制公式为：

；

；

Pointer Network模型的输出序列来源于输入序列，i的范围是预先设定的最大范围为输出序列的长度，向量代表着第j个输入向量的Attention掩码；T表示矩阵转置，e_j、d_i为状态量，v、W₁、W₂为学习参数；C₁、C_i-1、C_i均为随机变量代表输入序列中的某一项，p为超参数代表联合概率分布；为已知前i-1项，第i项发生的条件概率；

BERT-Pointer Network模型，用于将文本信息基于上下文信息转化为词向量并提取关键词。