面向半结构化医疗数据隐私保护关键技术研究

-精选财经经济类资料- -最新财经经济资料-感谢阅读- 1 面向半结构化医疗数据隐私保护关 键技术研究 【摘 要】隐私保护是实现大数 据价值的首要步骤和关键环节。目前， 结构化数据隐私保护方法丰富，而医疗 数据中常见的半结构化数据缺乏可靠的 隐私保护模型及完善的平台支撑。针对 这一问题，本文将从数据结构转化的角 度入手，深入探索半结构化医疗数据的 隐私保护方法及平台构建。 中国论文网 /8/view-12932949.htm 【关键词】隐私保护；半结构化； 信息抽取 1 研究意义 医疗数据被充分共享的前提是保 证数据的隐私安全。半结构化医疗数据 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 2 是医疗大数据的重要组成部分，占有举 足轻重的地位。医疗过程中形成的半结 构化信息隐私内容多样，从中折射、反 映、蕴含的资讯及信息具有巨大的应用 价值，对于医学研究、政府统计或是其 他个人、机构的科研有重要意义。然而， 由于半结构化数据的复杂性、灵活性以 及其自描述形式，现存的隐私保护技术 满足不了半结构化医疗数据的隐私保护 需求。 目前，数据共享中的隐私保护技 术主要基于三类模型：k-匿名模型1-2、 l-多样性匿名模型3-4 和 t-closeness 匿 名模型。但大多数隐私保护技术都是针 对结构化数据，对半结构化医疗数据共 享的隐私保护并不理想。而综合考虑技 术、成本等问题，对半结构化医疗数据 的隐私保护，应首先考虑使用成熟的结 构化数据隐私保护方法，其关键是将半 结构化医疗数据转化结构化数据。半结 构化医疗数据的隐私保护问题要综合考 虑到数据的异构性、复杂性、高维性等 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 3 问题，明确中文医学信息数据特点造成 半结构化信息抽取困难的问题，充分利 用国内外半结构化数据抽取技术及结构 化数据集信息的指导作用，将结构特征 与词法、语义、表现形式等其他特征相 结合，建立专门针对中文半结构化医疗 数据特点的智能化信息处理模型及系统。 此外，考虑到结构化后的医疗数 据具有高维度、高复杂度的特点，需要 更加高效的计算技术，自动并行化是解 决这一问题的有效途径之一。Spark 是 由伯克利大学开发的通用分布式内存计 算平台，而弹性分布式数据集 （Resilient Distributed Dataset，RDD） 是 Spark 的最基本抽象，是对分布式内 存的抽象使用，实现了以操作本地集合 的方式操作分布式数据集的抽象实现， 适合优化需要多次迭代操作的机器学习 类算法。因此，半结构化医疗数据的隐 私保护过程完成能够使用 spark 并行计 算，进行高效地资源分配。 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 4 2 研究内容 本文主要解决半结构化医疗数据 共享中的信息抽取、隐私保护、并行化 等关键技术问题，在保证半结构化医疗 数据共享后隐私安全的情况下，提高半 结构化数据的可用性，为临床决策、科 研提供数据资源的支持，构建面向半结 构化医疗数据共享的 BaaS 隐私保护平 台。 （1）面向半Y 构化医疗数据 的信息抽取技术及医学术语知识库的构 建 建立服务于机器学习算法的中文 医学术语知识库是信息抽取技术的基础， 利用统计学方法学习标记好的语料库、 获取规则、建立类似 UMLS 的中文医学 术语知识库。标注少量医学病历作为统 计学方法的训练集；探索适当的可用于 医学问题识别的统计学算法；构建一个 可以表明人物及其相应医学问题的信息 表示方案；各部分研究间的关系可以构 成一个信息抽取系统。 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 5 （2）隐私保护算法的自动并行 化技术 引入 Spark 技术，Spark 使用基 于内存计算的并行化计算模型弹性 分布式数据集（resilient distributed datasets，RDD） ，提供强大的分布式内 存并行计算引擎，支持快速迭代计算， 将机器学习应用到常规并行化策略上， 能够进一步提升训练速度。首先采用合 理智能算法以及不同训练集对各个 k-匿 名算法进行测试训练，检测不同算法较 为费时部分；其次测试该部分能否进行 分布式计算法；最后 Spark 平台进行分 布式运算会涉及到通信开销，智能算法 训练各 k-匿名算法，给定各算法进行分 布式所需要的数据集阈值。对 k-匿名算 法设计采用了并行化局部优化的迭代计 算模式，有效提高匿名效率。 （3）构建面向半结构化医疗数 据的分布式隐私保护 BaaS 平台 构建面向结构化医疗数据的分布 式隐私保护 BaaS 平台，该平台应具备 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 6 上载结构化数据集和半结构化数据集、 连接数据库、医学数据信息抽取模块、 隐私保护模块、提供 k-匿名算法的 Rest-API。平台内含自建中文临床子语 言语法规则及医学术语知识库，为信息 抽取的精确性提供知识储备及技术支持。 隐私保护模块能够按需求进行全域 k-匿 名或局域 k-匿名的选择、具体实现 k-匿 名算法的选择、隐私保护模型的选择， 同时该模块具有是否使用分布式计算的 选项。 3 研究方法 首先建立医学术语知识库及命名 实体规则库，对半结构化医疗数据进行 信息抽取，测试抽取信息的准确性。对 抽取后的结构化数据匿名，测试 k-匿名 算法的功能及其使用范围。挖掘匿名前 后数据所包含的信息，对比挖掘结果， 对匿名后的数据集进行信息损失量的度 量，给出 k-匿名算法的评估标准。为节 省处理数据的时间，准确找到各算法适 合的分布式计算模块，在 k-匿名算法功 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 7 能测试后，使用训练集对各 k-匿名算法 的代码模块进行训练，分析每个程序段 的运行时间，探寻各个方法的运行时间、 次数等统计信息，并采用深度贪婪算法 迭代统计含子程序的代码段的运行时间， 找出算法最耗时模块，对该模块进行分 布式处理，使其单线程计算变为并发式 计算。 使用 GATE 程序对半结构化程序 进行信息抽取，GATE 的抽取信息的准 确性高达 97.58%，处理速度为 31.5KB/s，完全可以满足现有情况下的 信息抽取要求。选择匿名模型及匿名算 法，利用匿名算法处理抽取后的结构化 数据，完成匿名。如果选择的匿名算法 匿名后的数据集不符合要求，则重新选 择匿名算法进行匿名数据集，直到匿名 后的数据集满足隐私保护和数据可用性 的双重要求。同时，在匿名化之前，根 据已训练出的参数进行分布式需求判断， 如果分布式较为节省时间则采用分布式 计算，如果因为分布式处理的通信开销 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 8 造成时间浪费，则采用单线程处理数据。 4 实施方案与研究步骤 第一步：关键词提取，分词处理 是识别半结构化医疗数据的第一步 （1）自主收集和制作中文词表； （2）编写针对中文特性的规则。 该方法不但可以准确地抽取出个 人信息，而且因其包含的 ICD-10 词库 可以把半结构化数据中包含的疾病、诊 断、健康状况信息转化为结构化数据， 方便对半结构化数据的挖掘，进一步提 高了半结构化数据的价值。 第二步：半结构化医疗数据隐私 保护处理 针对提取出的个人信息，例如住 址、年龄、提问等信息，本文将采用 k- 匿名模型对其进行匿名化理。考虑到 k-匿名是把精确数据模糊化，因此，该 方法匿名的数据集会产生一定的信息损 失，对此本文采用 IL 评估方法对匿名 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 9 表进行信息损失量的判断。为了更好的 进行隐私保护，在 k-匿名模型的基础上 引入 l-diversity 模型、t-closeness 模型对 其进行匿名化操作。 第三步：Spark 分布式并行化算 法处理技术 k- 匿名算法是需要多次对数据操 作即多次访问 I/O 端口，故可以通过减 少 k-匿名时的 I/O 操作较少匿名化时间， 本文采用 Spark 平台，把数据存储在内 存中，避免不断从硬盘读取数据，节省 访问 I/O 端口的通讯时间。考虑到 Spark 计算本身具有通信开销，当数据 量较小时，使用 Spark 分布式进行 k-匿 名算法可能会形成时间上的浪费。因此， 本文使用不同大小的训练集、不同属性 大小的训练集和不同泛化规则的训练集 不断进行训练，找出来各 k-匿名算法使 用 Spark 平台可以减少时间阈值5。在 阈值之内的数据集，将会建议采用单线 程计算以节省时间和资源，大于此阈值 的数据集，将会合理的给出分布式计算 -精选财经经济类资料- -最新财经经济资料-感谢阅读- 10 意见。 第四步：构建面向半结构化数据