TCECC-医疗人工智能应用数据安全与隐私保护规范

I医疗人工智能应用数据安全与隐私保护规范范围本文件规定了医疗人工智能应用场景下数据安全与隐私保护的基本原则、相关方角色与职责、数据分类分级方法，以及在数据获取、标注与预处理、模型训练与微调、验证评估、部署推理、持续优化、退出废弃等全生命周期各环节的安全管理与技术要求。本文件适用于指导医疗人工智能应用的相关方（包括但不限于医疗机构、人工智能技术开发方、数据服务提供方、医疗人工智能产品运营方等）在数据采集、处理、模型研发、部署应用及退出的全流程中开展数据安全与隐私保护合规管理，也可供卫生健康、网络安全相关主管部门以及第三方评估机构等组织开展医疗人工智能数据安全与隐私保护的监督管理与评估工作时参考。规范性引用文件下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文件，仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本（包括所有的修改单）适用于本文件。GB/T35273—2020信息安全技术个人信息安全规范GB/T39335—2020信息安全技术个人信息安全影响评估指南GB/T39725—2020信息安全技术健康医疗数据安全指南GB/T43697—2024数据安全技术数据分类分级规则GB/T41867—2022信息技术人工智能术语GB/T45574—2025数据安全技术敏感个人信息处理安全要求术语和定义下列术语和定义适用于本文件。健康医疗数据healthdata与个体健康状况、诊疗活动、公共卫生管理、医疗保障、医学科研及相关管理活动有关的数据。个人健康医疗数据personalhealthdata以电子或者其他方式记录的，与个人健康医疗相关的，与已识别或者可识别的自然人有关的各种信息，不包括匿名化处理后的信息。来源：GB/T39725—2020，3.1，有修改医疗人工智能应用medicalartificialintelligenceapplication在医疗服务、医学科研、健康管理、运营管理等场景中，利用机器学习、深度学习、知识推理、生成式人工智能等技术，或者结合检索增强、工具调用、多模型协同等机制，开展分析、预测、生成、流程优化、辅助决策或自动化处理的应用活动。个人信息处理者personalinformationprocessor有能力决定个人信息处理目的、方式等的组织或个人。来源：GB/T35273—2020，3.4，有修改去标识化datade-identification通过技术处理使个人信息在不借助额外信息的情况下无法识别到特定自然人的过程。匿名化dataanonymization通过技术处理使个人信息主体无法被识别且处理后的信息不能被复原的过程。重识别风险re-identificationrisk数据经去标识化、聚合、转换或生成后，仍可通过关联分析、外部数据拼接、模型推断等方式重新识别到特定个人或群体的可能性。高风险医疗人工智能应用high-riskmedicalartificialintelligenceapplication可能对患者权益、临床安全、诊疗质量、公共卫生安全或重要业务连续性产生显著影响的医疗人工智能应用。受控环境controlledenvironment通过网络隔离、访问控制、行为审计、导出控制、可信执行或其他强化措施，对高风险数据和处理活动进行限制与监测的运行环境。外部模型服务externalmodelservice由第三方提供、通过接口调用或托管方式接入的基础模型、行业模型、推理服务或相关能力。外部知识库externalknowledgebase为支撑检索增强生成、问答、推理或辅助决策而接入的院内外文档库、规则库、指南库、病例库或其他结构化、非结构化知识资源。模型更新modelupdate对模型参数、模型结构、推理策略、提示模板、工具调用链或外挂知识库进行新增、替换、调整或优化，并可能影响模型输出行为、适用边界或风险水平的行为。持续优化continuousoptimization基于运行反馈、样本增补、知识更新、策略调整等方式，在受控条件下持续改善模型或系统性能的活动。数据分类分级dataclassificationandgrading根据数据的属性或特征，按照一定的原则和方法对数据进行分类和分级，以建立数据安全管理秩序。智能体工具链agenttoolchain医疗人工智能应用在执行任务过程中调用的外部工具、系统接口、知识资源和自动化流程集合。缩略语下列缩略语适用于本文件。AI：ArtificialIntelligence，人工智能。FL：FederatedLearning，联邦学习。PII：PersonallyIdentifiableInformation，可识别个人信息。RAG：Retrieval-AugmentedGeneration，检索增强生成。SMPC：SecureMulti-PartyComputation，安全多方计算。TEE：TrustedExecutionEnvironment，可信执行环境。基本原则合法合规原则医疗人工智能应用涉及的数据收集、存储、使用、加工、传输、提供、公开、销毁等处理活动，应严格遵守《中华人民共和国网络安全法》《中华人民共和国数据安全法》《中华人民共和国个人信息保护法》《网络数据安全管理条例》等法律法规，以及医疗卫生机构数据安全和个人信息保护等适用监管要求。组织应依照主管部门目录、告知或其他适用规则识别、申报重要数据；被依法确认为重要数据处理者的，应履行数据安全负责人和管理机构设置、风险评估、年度报送等义务。医疗卫生机构、人工智能技术开发方、数据服务提供方等主体应按其实际法定角色分别履责，不得以合同约定或内部安全保护级别替代或减免法定义务。涉及人类遗传资源的，应依法履行审查、审批、备案、报告或其他适用程序。数据安全原则医疗人工智能应用应建立覆盖数据全生命周期的安全防护体系，保障数据的完整性、保密性和可用性，并使数据来源、采集渠道和关键处理链路的真实性可验证。应结合医疗人工智能应用的特点，对所涉及的数据进行分类分级管理，针对不同级别数据采取差异化安全防护措施。应建立数据安全管理制度，配备必要的技术防护手段，防范数据泄露、篡改、损毁、丢失等安全风险。这里的真实性是指来源及处理过程可核验，不构成对全部医疗内容绝对正确的保证。隐私保护原则医疗人工智能应用中对个人信息的处理应遵循合法、正当、必要原则，处理目的应明确、合理，仅收集与处理目的直接相关的个人信息，并采取对个人权益影响最小的方式。涉及敏感个人信息的，应依法取得个人的单独同意或具备其他合法处理依据，并采取严格保护措施。风险分级防护原则医疗人工智能应用应分别评估数据风险和应用风险。数据风险应综合考虑数据的重要程度、敏感程度、规模、可识别性、聚合程度、共享范围和重识别风险；应用风险应综合考虑预期用途、对诊疗决策、患者权益和业务连续性的影响、自动化程度、人工接管能力、错误可逆性、影响人群及规模，以及外部模型、知识库和工具链的接入情况。数据安全保护级别确定数据控制基线，应用风险只能追加或提高验证、人工复核、输出限制、运行监测和应急处置要求，不得降低该基线。基因数据、罕见病数据、生物特征数据等高特殊性数据，即使经过统计聚合、脱敏或去标识化处理，也不当然降低保护级别。可控、可审计与责任可追溯原则医疗人工智能应用应对数据的使用、加工、共享等处理活动实现全流程可控管理，确保数据处理活动在授权范围内进行。应建立完整的数据访问日志和操作审计记录，保障数据处理全链路可追踪、可审计、可追责。对重要的采集、修改、审批、调用和导出操作，应绑定可核验的责任主体，记录时间、授权依据、处理对象和结果，并根据风险采用签名、哈希、可信时间戳或等效措施形成不可抵赖的审计证据。医疗人工智能模型输出应配置留痕审计和人工复核机制，避免模型输出直接替代临床责任主体判断。伦理审查与临床安全原则医疗人工智能应用的研发、验证、部署和使用应符合科技伦理要求。对可能在生命健康、患者权益、隐私保护、公平公正、责任归属等方面带来科技伦理风险的活动，应按照有关规定开展科技伦理审查。涉及人类遗传资源采集、保藏、利用、对外提供或者其他依法需要履行专门管理程序的活动，应按照相关法律法规和监管要求，分别履行相应审查、审批、备案、报告或其他管理程序。同时触发科技伦理审查和人类遗传资源相关管理程序的，不应以一项程序替代另一项程序。医疗人工智能应用应确保临床使用的安全性和有效性，模型部署前应完成充分的验证评估，部署后应建立持续监测与应急处理机制。安全保护与数据可用性平衡原则医疗人工智能应用的数据安全与隐私保护措施应与数据的预期用途和处理场景相适应，避免因过度保护导致关键诊疗信息丢失或数据丧失可用性。应在数据安全保护与数据可用性之间取得合理平衡，确保安全措施的实施不影响模型的安全性和有效性。医疗人工智能应用相关方职责个人健康医疗数据主体数据主体定义个人健康医疗数据主体（以下简称“数据主体”）指个人健康医疗数据所标识或关联的自然人。依法行使权利数据主体依法享有知情权、同意权、查阅权、复制权、更正权、补充权、删除权以及撤回同意权等各项权利，并依照法律法规的规定行使上述权利。在依法保障数据主体个人信息权益的基础上，组织宜根据数据来源、贡献方式、处理角色和公共利益目标，依法依约探索数据来源者合法权益保障、权益反馈、公益回馈或合理收益分配机制，并公开基本规则。本条不构成对匿名化数据产品所有权或普遍法定分成请求权的确认，不得据此减损数据主体依法享有的权益。信息提供要求数据主体在提供个人健康医疗数据时，根据信息收集的目的，宜提供真实、准确和完整的信息，但有权拒绝与收集目的无关的信息提供要求。监督与投诉数据主体宜关注并了解其个人健康医疗数据被收集、使用和共享的情况，依法对个人信息处理者及其他相关方的数据处理活动进行监督。数据主体在发现其个人健康医疗数据被非法收集、使用、披露或存在安全隐患时，有权向相关方提出异议或向有关部门投诉举报。个人信息处理者处理者类型在医疗人工智能应用中，个人信息处理者主要包括：医疗机构、健康医疗科学研究机构、公共卫生机构、商业保险机构等，以及自主决定将个人健康医疗数据用于人工智能模型研发、训练或部署的其他组织或个人。处理依据、告知与二次使用个人信息处理者处理个人信息应确保具备合法的处理基础。依照《中华人民共和国个人信息保护法》规定，应取得个人的同意，或者具备其他合法处理依据。为形成匿名化结果而处理原始个人信息的活动，仍应具备合法依据并依法履行适用的告知义务。个人信息处理者应以显著方式、清晰易懂的语言真实、准确、完整地告知数据主体以下内容：个人信息处理者的名称和联系方式；个人信息的处理目的、处理方式，处理的个人信息种类、保存期限；个人行使法律规定权利的方式和程序；法律、行政法规规定应当告知的其他事项。经可靠验证符合法律规定的匿名化条件、无法识别特定自然人且不能复原的输出，不属于个人信息；对该匿名化输出后续进行不涉及重新关联或恢复识别的处理，原则上不再适用个人信息处理中的告知、同意规则。其他数据安全、医疗记录、科技伦理、人类遗传资源、合同及监管义务仍应依法履行；出现可识别风险或者处理环境发生重大变化时，应重新评估。人工智能模型训练告知个人信息处理者拟将个人健康医疗数据用于人工智能模型训练、微调或推理的，应先核验处理角色和合法依据。以同意为处理依据且处理目的、处理方式或者个人信息种类发生变更的，应重新取得同意；涉及敏感个人信息、向其他独立个人信息处理者提供、未成年人信息或者其他法定情形的，应分别判断是否需要单独同意、监护人同意、个人信息保护影响评估、科技伦理审查或者其他专项程序。告知内容至少包括：个人信息将被用于人工智能模型训练、微调或推理等处理活动；上述处理活动的基本方式及其对个人权益可能产生的影响；模型输出的可能范围，以及是否存在个人健康医疗信息被间接还原的风险；在处理依据为同意时，个人有权拒绝其个人信息被用于模型训练，以及拒绝的具体路径；个人有权要求撤回同意。对于可定位至特定样本的个人健康医疗数据，进行删除；对于已完成聚合处理或者已进入不可逆训练流程的数据，宜明确说明技术边界，并停止其在后续训练、微调和持续优化中的继续使用。敏感个人信息处理个人健康医疗数据中涉及的医疗健康、生物识别等信息均属于敏感个人信息。个人信息处理者处理敏感个人信息，应依照《中华人民共和国个人信息保护法》规定，取得个人的单独同意，或者具备处理个人信息的其他合法处理依据，并采取严格保护措施。按照GB/T45574—2025的要求，个人信息处理者还应遵守以下规定：处理敏感个人信息应具有特定的目的和充分的必要性，并在最小必要范围内处理；应按照GB/T39335—2020的要求事先开展个人信息保护影响评估，并按照规定处理评估报告；应向个人告知处理敏感个人信息的必要性以及对个人权益的影响；应对敏感个人信息采取加密存储、访问控制、去标识化等安全保护措施。向其他方提供数据个人信息处理者向其他独立个人信息处理者提供个人健康医疗数据的，应依法告知接收方名称或者姓名、联系方式、处理目的、处理方式和个人信息种类，并取得个人的单独同意；法律、行政法规另有规定或者依法具备不基于同意的合法处理依据的，从其规定，并记录依据。接收方在其自主决定处理目的和方式的范围内，应作为独立的个人信息处理者承担相应义务；处理目的、处理方式或者个人信息种类发生变更时，应依法重新履行告知、同意、评估或其他适用程序。训练数据来源合法性个人信息处理者应确认用于人工智能模型研发的训练数据来源合法，核实数据提供方已取得必要的授权或具备其他合法处理依据。不得使用通过非法爬取、购买无授权数据等方式获取的个人健康医疗数据进行模型训练。对训练数据进行清洗时应建立去标识化或匿名化处理记录和验证机制。匿名化认定个人信息处理者处理个人健康医疗数据后，例如进行汇聚分析或模型训练后，获得无法识别特定自然人且不能复原的健康医疗相关数据，并经可靠验证后，方可得出实现匿名化的结论。验证结论应以具体数据版本、预期接收方、可获得的外部数据、处理环境和预期用途为边界，不视为法定免责或不可推翻的终局认证。匿名化验证宜满足以下要求：a)由具备数据安全、隐私工程、统计分析、攻击测试或相关专业能力，独立于数据处理团队且已披露利益冲突的人员或机构实施验证；b)验证前明确预期接收方、合理可获得的外部关联数据、攻击者知识与能力假设，按场景开展重识别风险量化、多模态关联、外部数据拼接、攻击模拟或红队测试；c)预先设定可量化或可判定的风险指标、接受阈值及其依据，并兼顾数据可用性和临床信息保持度；罕见病、基因、特殊诊断或小样本群体数据应采用更严格的场景化标准，不应以单一通用数值作为安全港；d)验证结论说明数据和方法版本、适用范围、限制条件、剩余风险、有效期限和复评触发条件；当数据规模、关联关系、接收方、外部数据环境、处理目的或攻击技术发生重大变化时，应重新评估；e)验证过程、测试结果、异常处置、复核意见和最终结论应形成书面报告并存档备查，报告应足以支持重复核验。f)验证报告仅作为匿名化判断的重要证据，不替代相关主体对匿名化前处理活动、原始个人信息、可重新关联信息以及其他法定义务的履行。数据销毁医疗人工智能应用退出或废弃时，个人信息处理者应按照法律法规要求和合同约定，对数据进行安全销毁或匿名化处理，并保留相关记录。受托处理方受托处理方角色在医疗人工智能应用场景中，数据标注方、模型训练方、健康医疗数据分析公司、辅助诊疗解决方案供应商、云平台提供方等可依据其实际角色承担受托处理方义务。约定范围内处理受托处理方应严格按照个人信息处理者的委托要求处理数据，不得超出约定的处理目的、处理方式和数据范围。受托处理方未经个人信息处理者事先书面同意，不得将受托处理的数据向任何第三方提供、公开或用于其他目的，不得引入第三方协助处理数据。安全保护措施受托处理方应按照约定，采取与数据敏感程度相适应的安全保护措施，保障受托处理数据的安全性。如个人健康医疗数据来源于境内的，受托处理方的数据存储宜遵守境内存储要求。数据返还与销毁受托处理关系终止后，受托处理方应根据合同约定向个人信息处理者返还数据或予以销毁，不得擅自保留、复制或继续使用受托处理的数据或其衍生结果。安全事件通知受托处理方在数据处理过程中发现安全事件或数据泄露风险的，应立即通知个人信息处理者并采取必要的应急措施。训练数据泄露防范承担模型训练任务的受托处理方应采取技术措施防止训练数据被非授权提取，包括防范对抗性攻击、模型逆向提取等方式导致模型"记忆"的特定个体可识别信息被还原。模型部署前应进行数据泄露风险评估，对模型输出中可能包含的个人健康医疗信息进行检测。多方协作框架书面协议医疗人工智能应用涉及多方参与的，参与各方应通过书面协议明确数据来源、实际处理角色、处理目的、授权边界、控制接口、事件协同、证据留存、退出处置和责任承担方式。合同、授权运营安排或交易交付本身不构成处理数据的合法依据，也不得转移或减免各方依法不得转移、减免的义务。角色义务认定多方协作中的数据提供方、技术开发方、模型部署方、数据服务方等各参与方，应根据其实际数据处理角色，分别或同时承担本文件规定的个人信息处理者或受托处理方的相应义务。共同决定数据处理目的、方式及范围的多方，应作为共同处理者对外承担连带责任。数据流通场景分类基于不同角色之间的数据流动，不同流通场景下各角色的安全责任与安全措施要求不同，宜结合具体场景实施差异化的安全管控。医疗人工智能应用中的数据流通场景主要包括以下类型：数据主体与个人信息处理者之间的数据流通；个人信息处理者内部不同部门之间的数据流通；个人信息处理者与受托处理方之间的数据流通；个人信息处理者之间因合作研究、数据提供等产生的数据流通。安全协调机制多方协作应建立统一的数据安全管理协调机制，明确数据流转路径、审批接口和各环节安全责任归属，确保数据在跨机构、跨系统流转过程中的安全可控。开展临床数据授权运营、许可使用或交易等活动的，还应建立来源核验、角色确认、用途和期限管理、接收方评估、负面清单、全程审计、退出与删除验证机制；参与方应按照实际法定角色分别履责。隐私保护措施多方协作中涉及数据汇聚、联合建模等场景的，应重点评估数据融合后的重识别风险、隐私泄露风险和安全影响，并采取隐私计算、数据脱敏、访问控制、差分隐私等针对性保护措施。特殊数据种类多方协作中涉及重要数据、核心数据、人类遗传资源或者其他依法实施专门管理的特殊数据类型时，应依法履行相应的数据安全保护义务以及必要的审查、审批、备案、报告或其他管理程序；涉及科技伦理风险的，还应依法开展科技伦理审查。退出机制多方协作终止或参与方退出时，应按照协议约定完成数据、模型及相关衍生资产的返还、销毁或移交，并对退出过程中涉及的数据安全风险进行评估和管控。退出方应妥善处理其在协作期间获得的数据及其他衍生成果，确保不造成数据泄露或非法留存。退出时还应评估已训练模型本身是否构成个人信息的载体，如模型中存在可还原的特定个体可识别信息，应采取消除或限制措施后再行移交或销毁。数据分类分级要求概述数据分类目录应明确分类责任部门、维护频率、变更触发条件和复核要求，并与项目台账、数据台账和模型台账保持一致。医疗人工智能应用数据应按照下列类型进行分类管理，形成统一口径、统一编码、可映射、可维护、可审计的分类目录，并纳入数据台账管理，与访问控制、留存管理、共享审批和审计规则联动：按来源分类，宜包括院内业务系统数据、科研数据、设备采集数据、第三方合作数据和公开来源数据；按内容分类，宜包括身份信息、诊疗信息、检验检查信息、影像信息（可按放射影像、病理切片、皮肤/体表影像、眼底影像等模态细分）、病理信息、细胞形态学信息、生理信号数据、健康档案信息、基因或组学信息、行为信息、模型日志与审计信息等；按处理阶段分类，宜包括采集数据、标注与预处理数据、预训练数据、后训练数据（包括监督微调、基于人类反馈的强化学习等数据）、验证评估数据、部署推理输入输出数据、反馈优化数据、持续优化数据、模型日志与审计数据；按承载形态分类，宜包括结构化数据、非结构化文本、图像、语音、视频、时序序列、向量索引、模型权重、参数配置和缓存数据；按使用目的分类，宜包括临床服务、科研分析、教学训练、质量改进、安全审计和产品研发。注：涉及提示词、检索增强知识库、模型中间结果、向量索引、推理缓存、用户反馈、调用日志、工具调用结果等新型数据对象时，应单独建类管理，不应因其不属于传统病历字段而脱离安全控制。模型日志、会话日志、工具调用结果等应作为独立数据类型纳入分类目录，并结合其包含的个人信息、输入输出风险和共享范围确定控制强度。当涉及慢病院外管理、连续监测和患者交互场景时，连续监测数据、对话日志、建议摘要、会话缓存、任务记录、反馈记录等对象宜作为典型数据对象纳入分类目录管理。健康档案等跨机构、跨时间长程数据用于人工智能训练、评测或持续优化时，应关注关联、累积和画像增强导致的重识别风险变化。当数据用途、流转范围、关联关系、外部数据可获得性、模型能力或重识别风险发生变化时，应及时调整分类结果。数据分级要求医疗人工智能应用的数据分级应采用“数据监管类别—数据安全保护级别—应用风险”三维治理架构，并分别形成可追溯的判定结果。数据监管类别用于识别核心数据、重要数据和一般数据及其适用的法定义务；数据安全保护级别用于确定数据访问、使用和流转的控制基线；应用风险用于确定特定人工智能应用在验证、人工复核、输出限制、运行监测和应急处置等方面的附加控制。三项判定不得相互替代。核心数据、重要数据和一般数据的识别、目录管理、报告及保护要求，应以适用法律法规、国家及行业规则、主管部门目录、告知或其他认定要求为准。组织作出的内部标识不得替代依法进行的识别、报送、认定或其他监管程序，也不得仅根据数据安全保护级别推定某项数据属于核心数据或者重要数据。数据安全保护级别应参照GB/T39725—2020并结合GB/T43697—2024，综合数据的重要程度、可识别性、敏感程度、访问使用范围，以及安全性遭到破坏后对数据主体、组织、公共利益和国家安全可能造成的影响，从低到高划分为一级至五级，五级保护要求最高。访问使用范围应具体化为角色、人员数量、机构边界、网络与物理环境、地域、期限、调用频次和可导出性等可校验条件。数据安全保护级别包括下列内容：一级数据：经核验可以依法公开、可完全公开访问使用，且其安全性遭到破坏通常不会对数据主体、组织、公共利益或者国家安全造成不利影响的数据。一级数据仍应实施来源标识、完整性保护、版本管理和公开内容复核，不得将尚未经合法公开的数据仅因经过技术处理而直接定为一级；二级数据：可在较大范围内访问使用，安全性遭到破坏可能造成轻微不利影响的数据。该类数据应限定访问主体和使用目的，并实施身份鉴别、基础权限控制、传输保护、日志留存和权限变更管理；三级数据：可在中等范围内访问使用，安全性遭到破坏可能造成一般不利影响的数据。该类数据应在业务必要范围内授权，并实施细粒度访问控制、传输与存储保护、批量访问和导出审批、适用的去标识化或者脱敏措施、操作审计和异常监测；四级数据：仅可在较小范围内访问使用，安全性遭到破坏可能造成严重不利影响的数据。该类数据应在受控环境中处理，实施最小权限、多因素身份鉴别、强化的传输与存储保护、密钥与数据分离管理、严格审批、输出审查、数据防泄漏和全过程审计；涉及对外提供、外包标注、联合建模或者第三方评测的，还应开展专项评估并核验接收方保护能力；五级数据：仅可在极小范围并在严格限制条件下访问使用，安全性遭到破坏可能造成特别严重不利影响的数据。原则上仅允许经明确授权且业务必需的人员在隔离或者具有等效保护能力的受控环境中处理，并实施逐项审批、职责分离、持续监测、全过程审计、原始数据导出限制、输出安全审查以及返还、删除或者销毁验证；确需跨组织处理的，还应依法履行相应程序并验证接收方持续满足保护条件。应用风险应按照5.4独立评估，至少考虑预期用途、对诊疗或健康决策的影响、自动化程度、人工复核和退出机制、影响人群及规模、结果可逆性、模型持续学习状态，以及外部模型、知识库和工具链的接入情况。组织可划分为低、中、高风险或者采用等效分级。应用风险评估不得替代医疗器械分类管理、科技伦理审查、网络安全等级保护、人类遗传资源管理或者其他依法应履行的程序。适用控制应按三项判定分别叠加：数据监管类别触发的法定义务应优先落实，数据安全保护级别确定数据控制基线，应用风险可以在相应控制域上调验证、复核、输出、监测和应急要求，但不得降低数据控制基线；不同要求发生冲突时，应执行较严格的适用要求。注：数据监管类别与数据安全保护级别的判定对象、依据和法律效果不同，不存在固定的一一对应关系。某项数据被依法识别为核心数据或者重要数据时，应在既有安全保护级别之外叠加适用的专门义务；某项数据被评为较高安全保护级别，也不当然构成其被依法认定为核心数据或者重要数据的依据。同一数据集应随处理阶段、数据规模与粒度、可识别性、使用目的、访问范围、外部数据可获得性、模型能力和重识别风险变化动态复核。多源、多模态数据拼接或关联后，保护级别不应低于组成数据中的最高级别，并应评估关联风险增量；去标识化数据、模型权重、向量索引、提示词、会话日志、检索结果和缓存数据不应因载体或处理阶段变化而自动降级。安全保护级别调整不自动改变数据监管类别，监管类别变更应依适用规则办理。分级控制映射组织应建立数据监管类别、数据安全保护级别和应用风险与访问控制、审批流程、处理环境、共享流转、输出控制、留存期限、销毁要求、运行监测、应急处置和审计强度之间的控制映射表。映射表至少应记录判定依据、责任部门、适用控制、例外审批、复核日期和变更记录，不应仅停留在标签层面：一级数据可在依法确认的公开边界内使用，并应纳入统一目录、来源真实性核验、完整性保护、版本管理、公开内容复核和变更留痕；二级数据应实施身份鉴别、最小必要授权、传输保护、访问日志、权限定期复核和离岗或者任务结束后的及时撤权；三级数据应实施细粒度访问控制、传输和存储保护、批量查询与导出审批、适用的去标识化或者脱敏、异常访问监测和专项审计；涉及跨部门、跨机构或者第三方处理的，应核验合法依据、接收方身份和使用边界；四级数据原则上应在受管理的受控环境中处理，实施多因素身份鉴别、严格最小权限、密钥分离、导出限制、数据防泄漏、输出审查和全过程审计；涉及外包、联合建模、第三方评测或者对外提供的，应履行专项审批、风险评估和接收方保护能力核验；五级数据原则上应在隔离或者具有等效保护能力的专用环境中处理，采用逐项授权、双人或者相互制约的审批、连续监测、不可任意关闭的审计、原始数据严格出域控制和结果披露审查；确有必要变更处理环境、扩大访问范围或者对外提供的，应重新开展专项评估，依法履行相应程序，并验证退出、返还、删除或者销毁结果。注：当数据监管类别、数据安全保护级别或者应用风险任一项发生变化时，应重新计算适用控制并同步调整权限、审批、处理环境、共享策略、输出限制、监测和审计要求。应用风险升高可以触发更严格的控制，但不得据此降低数据安全保护级别；应用风险降低也不当然导致数据降级。组织应保留变更触发事实、评估结论、审批记录、例外期限和复核结果。数据的使用医疗人工智能应用数据的收集、共享，以及基于数据开展的训练、微调、测试、验证、推理、持续优化和再利用活动，应限定在明确的合法依据、授权边界和业务目的范围内，并与风险评估结论、科技伦理审查结论、人类遗传资源相关管理要求及业务控制要求保持一致：数据使用前应明确使用目的、处理方式、处理期限、使用主体、访问范围、输出形式和安全控制要求；超出原始授权或合法依据范围的，不应直接复用；用于模型训练、微调、评测和持续优化的数据，应区分临床服务、科研活动、教学训练和产品研发等不同场景，分别建立审批、授权和留痕机制；多模态数据联合使用、跨机构共享、跨场景拼接、二次开发利用以及与外部知识库、第三方模型、智能体工具链联动时，应重点评估重识别风险、画像增强风险、用途扩张风险、提示泄漏风险和数据出境风险，并采取差异化控制措施；涉及历史病历、历史影像或存量科研数据的再利用时，应根据适用法律法规、科技伦理审查结论、涉及人类遗传资源时的相关管理要求以及机构治理规则确定合法性基础；不满足相应条件的，不应直接进入训练、测试或共享流程；对模型推理阶段产生的提示词、问答内容、检索结果、辅助诊疗建议、用户反馈和日志数据，应限定为质量改进、安全审计或经批准的持续优化用途，或者用于个人授权范围内、履行既定服务所必需且符合既定处理目的的用户级个性化服务；不应无边界沉淀、反向回流至未经审批的训练集，或另作与原目的无关的使用。涉及用户级个性化服务的数据，应与模型训练数据分开管理，并设置最小留存、访问隔离、删除或关闭机制；当模型能力、合作方、调用链路、知识库来源、共享对象、处理目的、外部模型接入方式、外部知识库范围、工具调用链、在线学习状态或跨境调用路径发生实质性变化时，应重新评估数据使用范围、合法性基础和控制措施；不满足条件的，应暂停相关处理活动。前述实质性变化宜重点包括改变数据用途、扩大共享对象范围、提高自动化处置程度、引入新的外部处理主体、改变跨境调用路径或者显著提升输出风险的情形涉及调用云端外部模型、托管推理服务或者其他外部处理能力时，应在调用前确认服务提供方的数据处理角色，明确输入数据范围、输出回流边界、是否用于模型训练或服务改进、日志留存及删除机制、服务部署地域和数据存储地域，并核验委托处理、共同处理、向其他个人信息处理者提供或者数据出境等情形下的适用条件。四级、五级数据，或者依法需要特别管理的核心数据、重要数据、人类遗传资源等数据，原则上不得直接输入无法审计、无法验证删除或者会被服务提供方用于其自身训练的外部模型；确需处理的，应依法完成相应程序，并实施专项审批、输入最小化、受控访问、隔离处理、传输与存储保护、输出审查、全过程审计和删除结果验证。应用风险较高的，即使数据低于四级，也应依据评估结果采取增强措施。通过共享、委托处理、共同处理、开放、授权运营、许可使用或者交易等方式流通数据的，应在流通前确认数据来源、各方处理角色、合法依据、监管类别、安全保护级别、应用场景和接收方保护能力，开展必要的个人信息保护影响评估、数据安全风险评估或其他适用评估。合同、平台登记或交易交付本身不构成处理数据的合法依据，也不改变各方依法承担的义务；数据流通协议或授权运营规则至少应明确处理目的、数据范围、使用方式、访问主体、处理地点、处理期限、输出形式、安全措施、审计权、事件通知、禁止再识别、禁止未经授权再提供或改变用途、返还删除销毁、退出处置和违约责任；不得通过协议转移或免除依法不得转移、免除的责任；开展临床数据授权运营时，应执行主管部门或者所在地现行有效且适用于本场景的负面清单或其他限制性规则；尚无可直接适用清单的，组织应依据适用法律法规、监管要求和风险评估建立并定期复核内部禁止、限制和条件准入清单，明确适用范围、版本和批准主体，不得将内部清单表述为具有普遍效力的法定清单，也不得仅依据内部安全保护级别推定数据可交易；数据交付或受控使用期间，应按照数据安全保护级别和应用风险采用安全沙箱、可信执行环境、隐私计算、接口限流、输出审核、水印标识或等效控制中的适当措施，并持续记录访问、调用、导出和结果使用情况；流通终止时，应验证权限撤销、数据返还、删除或销毁以及衍生数据和模型处置结果。医疗人工智能应用安全管理要求组织开展医疗人工智能应用的组织应建立覆盖立项、数据引入、模型开发、上线运行、持续优化、模型更新和退役退出全过程的安全治理机制，并形成制度、流程、台账、记录和审计闭环：应明确管理层、业务部门、信息化部门、数据安全部门、法务合规部门、伦理审查机构以及第三方服务机构的职责边界，形成统筹决策、专业评审、执行落地和监督审计相分离的治理架构；应指定医疗人工智能应用的数据安全与隐私保护责任人；对高风险医疗人工智能应用，还应明确临床业务责任人和模型管理责任人，形成相互制衡的责任体系；应建立覆盖项目立项、数据接入、标注外包、模型训练、评测验证、上线变更、接口开放、第三方合作、供应商准入与退出处置的制度文件、操作规程和审批机制；应对研发、运维、算法、临床、科研、外包标注和安全审计等岗位实施差异化权限管理与保密管理，并开展针对性的培训和考核；对承担数据处理、模型开发、运维支持、标注服务、云资源托管等任务的外部机构，应通过合同、协议或安全附件明确其安全义务、访问边界、审计要求和违约责任；对外部模型服务、云资源托管、标注外包和第三方知识库等供应方，应建立准入评估、定期复核、变更告知和退出管理机制；应结合院内部署、院外云端托管、混合部署等不同部署形态识别差异化风险，对院外云端部署或托管服务重点审查服务商资质、合规能力、服务部署地域和数据存储地域、数据隔离、日志审计、可用性保障和数据删除能力；涉及高风险场景的，宜开展专项安全评估或现场核验；应保留立项审查、合法性审查、影响评估、授权审批、版本发布、共享流转、问题整改和退出销毁等记录，记录保存期限应与法律法规、监管要求和业务需要相适应；应形成项目台账、数据台账、模型台账、外部依赖台账以及数据集文档体系，并保持台账信息与实际状态一致。用于模型训练、验证、评测或对外合作的数据集，宜形成版本受控的文档包，记录数据来源与授权依据、数据字典、采集和清洗规则、脱敏验证、标注规范、质量复核、样本分布、版本变更、交付清单和审计记录。过程医疗人工智能应用安全管理过程应覆盖数据全生命周期与模型全生命周期，并与现有医疗质量、安全和信息化管理流程衔接：立项阶段应识别业务目标、数据来源、处理依据、预期输出、临床影响、第三方依赖和主要风险；涉及敏感个人信息、大规模多模态联合、外部模型接入、跨机构共享、高风险临床辅助场景或者其他可能引发重大科技伦理风险的，应结合处理规模、数据敏感程度、共享范围、外部处理主体、自动化程度、临床影响和患者权益影响等因素，依法判断是否触发数据安全影响评估、个人信息保护影响评估、科技伦理审查及其他专项程序，并确定相应程序的适用范围和复核深度；依法应当开展的影响评估、审查、审批、备案、报告或其他管理程序，不得以内部降负担为由豁免；数据引入阶段应核验数据来源合法性、权属或使用权边界、分类分级结果、数据质量、授权条件和共享限制；涉及采集形成的数据，应核验采集设备、采集协议、操作流程、质控规则和数据格式的一致性与规范性；不符合条件的数据不应进入生产、训练或评测环境；标注与预处理阶段应控制样本抽取、脱敏去标识化、质量复核、标注工具权限和外包人员访问边界，防止原始数据过度暴露和样本泄露；应记录医学标注人员资质、标注规则、标注版本、复核流程、争议处理机制以及标注修改和质控记录。对影像、病理、血液细胞形态学等专业性强的数据，或者高风险辅助诊断场景，宜采用双人标注、专家复核或多专家共识机制，并开展标注一致性和样本偏倚评估。对数据清洗、转换、扩增、合成或增强处理，应记录方法、参数、版本和适用边界，评估其对样本分布、数据偏倚、训练结果和临床适用性的影响。数据处理流程和底层数据模型设计宜内置隐私保护、字段隔离和最小暴露机制。应建立从原始数据、处理中间态数据到训练、验证和交付数据集的血缘追踪记录，记录关键处理操作、责任主体、时间、依据和版本。处理中间态数据应适用不低于源数据的安全策略，使用完毕后及时清理；数据处理流程应经安全评审后上线，流程变更时应重新评审；训练与微调阶段应区分开发环境、测试环境和生产环境，控制训练数据、验证集、评测集、模型参数、提示模板和外挂知识库的访问权限，防止交叉污染、数据投毒、越权复制和模型泄密；涉及联邦学习或跨机构参数协同时，还应核验参与方身份和更新来源，验证更新完整性，并设置异常更新隔离、验证和版本回退机制；验证评估阶段应从安全性、有效性、鲁棒性、公平性、可解释性、临床可用性、数据代表性、偏差控制和越权调用风险等方面开展评估，并保留评测数据来源、版本、方法、结果和审批记录；对模型更新、知识库重大变更、工具链扩展或关键提示模板调整，应根据其对数据边界、输出风险、自动化程度和适用场景的实际影响，确定重新验证范围。未改变模型参数、未扩大适用边界且未提高输出风险的知识库更新、提示模板优化或工具配置调整，可按差异化验证流程管理；知识库建设、更新和引用阶段应控制来源可信性、版本一致性、内容时效性和适用边界；涉及临床指南、规则或高风险知识内容的，应保留来源标识、审核记录和失效替换机制；新增入库数据或知识内容用于检索、微调、再训练或持续优化前，应评估数据分布、质量偏差、适用人群差异以及对模型输出和再训练结果的影响；上线部署阶段应开展变更管理、发布审批、最小开放、接口鉴权、日志审计和回退预案管理；涉及临床辅助决策、患者交互建议、风险预警或者自我管理输出的，应明确适用边界、风险提示、分层输出和人工接管机制。对高风险建议、异常告警、复诊衔接或升级处置场景，不应默认自动执行高风险操作，不应在未经确认的情况下自动写回病历、报告或诊疗结论，并宜保留判定依据、处置记录和闭环跟踪信息；运行维护阶段应持续监测访问行为、接口调用、异常输出、数据漂移、模型漂移、安全告警、第三方组件漏洞以及外部接口、插件和知识库同步链路的异常，按规定执行补丁更新、版本管理和问题闭环；对可能影响临床安全、数据边界或输出稳定性的更新，不应未经验证直接上线；退役退出阶段应对训练数据副本、缓存、索引、密钥、日志、模型文件和备份进行清理、归档或销毁，并核验残留风险；持续优化阶段涉及在线学习、反馈回流、样本增补、提示模板调整、知识库重建或工具链变更的，应明确触发条件、审批要求、验证方案和回退机制，防止未经控制的模型行为漂移；在线学习不应默认启用，反馈回流数据不应未经筛选、脱敏和审批直接进入训练集。用户级个性化记忆、会话级上下文调整、知识库更新和提示模板优化，符合既定用途且不改变模型参数、不扩大适用边界、不提高输出风险的，可按照差异化流程管理，不宜一律按训练数据回流流程管理。应急处理组织应针对医疗人工智能应用建立分级分类的安全事件应急处置机制，坚持患者安全优先、风险隔离优先和证据保全优先：应将数据泄露、非授权复制、批量导出、转售、窃取、越权访问、疑似投毒或异常污染、提示注入、模型反演、成员推断、接口滥用、供应链漏洞、云服务故障、第三方模型服务中断、错误诊疗建议扩散等纳入监测和预案范围；应建立事件发现、研判、分级、上报、处置、通报、恢复和复盘的闭环流程，明确内部报告链路和外部报告要求；对可能影响个人权益、临床安全或重要业务连续性的事件，应优先采取隔离接口、暂停服务、冻结账户、切换版本、阻断数据流转、降级运行、本地备份切换和人工接管等控制措施；应保全经时间同步的访问和操作日志、主体身份、授权审批、接口及目标地址、数据或模型版本、导出范围及内容摘要或哈希、样本、配置、告警和处置记录，保证记录的来源、时间和完整性可核验，支撑溯源分析、责任认定和整改验证；事件处置后应评估影响范围、通知相关主体、修订控制措施并更新风险清单和应急预案；对可能已形成错误临床建议、错误分诊、错误告警或隐私外泄扩散的事件，应联动业务部门开展影响排查、人工纠偏和必要的患者安全处置；涉及个人信息泄露、患者安全风险或重大服务中断的，应按照适用法律法规、监管要求和机构制度履行通知、报告和协同处置义务；恢复上线前，应完成原因分析、风险验证、控制加固和必要的复核审批；组织宜结合高风险场景定期开展桌面推演、技术演练和跨部门联动演练，验证应急预案、云端服务故障处置、回退机制、人工接管流程和患者安全处置流程的有效性。医疗人工智能应用安全技术要求数据安全技术要求医疗人工智能应用应结合数据分类分级结果和业务场景配置相适应的数据安全技术措施，并保证控制措施可配置、可验证、可审计：应建立统一身份鉴别与细粒度访问控制机制，对人员、系统、接口、模型服务和数据资源实施分层分域授权；应按照默认拒绝、按需授权和职责分离的原则配置访问策略，对敏感操作、批量导出、高风险调用和管理操作实施二次确认、双人审批或多因素校验；应对数据采集、传输、存储、调用、导出、共享和备份过程实施完整性与保密性保护，采用加密通信、加密存储、密钥管理、完整性校验等措施；应对开发、测试、训练、评测和生产环境进行隔离，对高等级数据应采用专网、专区、专机、可信执行环境或其他经验证达到同等保护效果的强化保护方式；应具备脱敏、去标识化、数据水印、接口限流、反爬取、数据防泄漏、异常检测、日志审计和追踪溯源能力；对非授权复制、批量导出、转售、窃取、越权调用或者未经授权再提供等疑似泄露行为，应基于授权范围、操作基线、传输目的地、数量或频率阈值和审批记录设置识别、告警、阻断或复核规则；对不同模态数据实施脱敏或去标识化时，应根据模态特征和业务可用性要求采取差异化措施：结构化数据应处理直接标识符和准标识符，并根据需要对日期、地域、罕见病编码等字段进行偏移、泛化或分桶；医学影像应清理元数据和像素中可识别信息，并评估面部或其他可重建特征的重识别风险；自由文本应识别并处理姓名、证件号码、联系方式、地址等标识信息，并开展必要的人工抽样复核；后训练数据和模型日志应分别处理问题、答案、会话记录和调用上下文中的个人信息，并在存储或回流前完成去标识化或采取经验证达到同等保护效果的措施；应对训练数据集、验证集、评测集、特征工程结果、向量数据库、检索知识库、模型权重、参数配置和提示模板实施版本管理和完整性保护；对外提供数据接口、模型接口或智能体工具调用能力时，应配置请求鉴权、输入校验、输出过滤、频率控制、上下文隔离、工具白名单、结果回显控制和调用审计机制，并防止通过提示词、插件参数或中间结果绕过既定安全策略；涉及跨机构协同建模、联合分析或受限数据共享的，应采用联邦学习、安全多方计算、可信执行环境、数据沙箱或其他受控计算方式，并保留参与方身份、任务范围、参数交互和结果导出的审计记录；应对模型更新、知识库更新、提示模板变更、工具链扩展和第三方组件升级建立版本标识、差异校验、灰度验证和回退控制机制，并保留关键差异说明、验证结论和审批记录；应具备备份恢复、容灾切换和安全基线核验能力，保障关键数据、模型和服务的可用性与可恢复性；应具备从输出结果追溯至模型版本、知识库版本、提示模板版本和关键输入来源的能力；涉及临床辅助决策、风险预警或患者交互的高风险输出，应支持规则校验、风险标识、人工复核和必要的拦截机制。对于面向患者的自我管理建议、异常告警和升级处置输出，宜支持分层展示、越界拦截、人工接管和升级路径控制，并保留判定依据、处置过程和审计记录。以算法包、容器镜像、插件或其他可执行组件交付的，应核验来源和发布主体，校验签名或摘要，维护组件清单，开展恶意代码、病毒、后门和已知漏洞扫描；在隔离或沙箱环境中验证最小权限、敏感目录挂载、网络出站、进程行为和结果导出边界。异常或验证失败时，应阻断加载、隔离处置并保留审计记录；涉及联邦学习、跨机构协同训练或持续优化的，应验证参与方身份、训练数据或参数更新来源及完整性，采用统计异常检测、鲁棒聚合、可信验证集、后门触发测试、可疑参与方或更新隔离、版本回退等措施。技术异常仅作为疑似投毒或异常污染线索，应结合数据分布、标注质量、变更记录和人工调查进行研判，并保留处置证据；应依据适用场景开展模型安全威胁建模和上线前及重大变更后的测试，覆盖模型投毒、梯度泄露、成员推断、模型反演、提示词注入、越狱攻击、工具越权等风险，明确测试范围、方法、判定条件和整改要求，并将监测告警、阻断或降级、事件响应和复测结果形成闭环记录。隐私保护技术要求医疗人工智能应用应遵循“可用不可见、最小暴露、风险可量化、结果可审计”的思路配置隐私保护技术，并与管理措施、评估流程、输出控制和默认保护策略联动。应将隐私保护要求嵌入数据采集、提示构造、知识检索、模型推理、结果展示、日志留存和持续优化等环节，默认关闭与既定目的无关的个人信息暴露、调试留痕和扩展复用能力：在数据进入标注、训练、测试和共享流程前，应根据场景选择脱敏、去标识化、匿名化、泛化、扰动、分桶、裁剪等处理方式，并通过测试集、抽样复核或攻击模拟等方式评估标识信息检出完整性、重识别风险、数据可用性和临床信息保持度；评估结果应形成记录并留存，当数据规模、关联关系、外部可关联条件或处理环境发生重大变化时，应重新评估；对直接标识符、准标识符、自由文本、影像角标、语音特征和其他可识别特征，应分别采取删除、替换、掩蔽、模糊化、结构重写或自动识别清洗等措施；涉及跨机构联合建模或受限数据分析的，应采用联邦学习、安全多方计算、同态加密、可信执行环境等技术，减少原始数据直接汇聚；对统计发布、模型评测结果共享、合成数据生成和高风险查询场景，应结合差分隐私、查询预算控制、结果抑制等机制降低推断风险；使用合成数据替代或补充真实数据时，应评估其与真实数据的相似度、泄漏风险、偏差放大风险和适用边界，不应以“合成”名义规避隐私保护责任；应对提示词、会话记录、检索片段、上下文缓存、模型输出、人工反馈和插件调用结果中的个人信息实施识别、最小化、屏蔽和审计控制，并默认关闭与业务目的无关的会话留存和调试留痕；面向临床辅助决策、问诊生成、报告生成等场景时，应防止模型输出泄露训练样本内容、暴露个人隐私或对特定个人形成不当画像；隐私保护措施的有效性应定期评估，并根据数据规模、关联性、预期接收方、外部数据可获得性和攻击技术变化动态调整。评估前应明确攻击者知识和能力假设、测试方法、指标、场景化接受阈值及其依据；对高风险场景宜开展重识别、成员推断、模型反演、训练样本记忆、梯度或提示泄露测试，必要时实施攻击模拟或红队测试并形成专项报告。报告应说明数据和模型版本、结果、剩余风险、适用范围、有效期限与复评触发条件；应对合成数据、匿名化数据和去标识化数据建立差异化管理策略，不应将去标识化处理后的数据当然视为匿名化数据；涉及个体画像、风险评分、自动分诊排序或个性化推荐等处理活动时，应对输出中可能引发歧视性影响、不当标签化或过度推断的风险设置识别、复核和纠偏机制。模型对外发布、共享、部署或提供接口前，应根据数据等级、模型能力、外部接入方式和输出范围开展模型层隐私泄露风险评估，评估成员推断、模型反演、训练样本记忆和提示泄露等风险，并根据评估结果采取访问限制、输出过滤、频率控制、监测告警或其他适配性措施；模型运行日志用于持续优化或质量改进时，应在使用前完成去标识化、用途审核、权限控制和留存期限设定；未经筛选、脱敏和审批的日志数据不应直接用于模型训练。（资料性）典型医疗人工智能应用场景A.1医学影像辅助诊断场景场景描述：涉及影像数据、检查申请信息、放射报告、患者基本信息和模型推理结果。涉及主体：医疗机构、放射科医生、信息化部门、模型服务提供方、外部合作机构。典型数据：医学影像、申请单、报告文本、模型版本信息、调用日志。主要风险：影像可识别特征残留、训练样本泄露、推理结果误用、跨机构共享失控。控制重点：影像去标识化、标注环境隔离、模型版本管理、输出风险提示、人工复核和日志审计。实施提示：涉及临床辅助诊断输出的，不应直接替代医师判读结论；当模型输出与临床判断存在明显冲突时，应触发人工复核和必要的升级处置。对应条款：5.4、6.2、7.1、7.2。A.2数字病理与多模态联合分析场景场景描述：涉及病理切片、检验结果、电子病历、基因或组学数据及其联合建模结果。涉及主体：医疗机构、病理科、科研团队、数据处理服务方、模型开发方。典型数据：切片图像、检验指标、病历文本、组学数据、多模态特征。主要风险：高敏感生物特征泄露、跨模态关联重识别、群体画像增强和用途扩张。控制重点：高等级分类分级、受控计算环境、细粒度授权、跨模态最小化使用、严格审计和动态评估。实施提示：涉及高聚合度和高敏感度样本时，宜优先采用受控环境或隐私计算方案；对跨模态关联分析结果的导出应实施额外审批。对应条款：5.3、5.4、7.1、7.2。A.3生成式问诊与病历生成辅助场景场景描述：涉及患者输入、历史病历、检索知识库、提示词、模型输出和人工修订记录。涉及主体：医疗机构、医生、患者、模型服务提供方、知识库维护方。典型数据：问诊文本、历史病历、知识片段、提示模板、会话日志。主要风险：提示词注入、上下文泄露、输出幻觉、隐私外泄和责任边界不清。控制重点：输入输出过滤、检索权限控制、风险提示、人工确认、高风险答案拦截和全过程留痕。实施提示：涉及患者交互和病历草拟输出的，应默认人工确认，不应直接作为最终病历或诊疗结论归档；对外部知识库引用内容宜保留来源标识。对应条款：5.6、6.2、6.3、7.1、7.2。A.4院际联合科研建模场景场景描述：涉及多机构样本联合训练、评测和验证。涉及主体：多家医疗机构、科研团队、数据处理者、外部技术服务方。典型数据：训练样本、评测数据、参数更新信息、联合任务记录。主要风险：数据非法汇聚、参与方权限失控、成员推断、参数传输泄露和模型更新泄密。控制重点：联邦学习或其他隐私计算、参与方认证、任务审批、参数传输保护、联合审计和退出机制。实施提示：联合任务启动前，宜明确各参与方身份、任务边界、输出范围、参数交互方式和退出条件，并约定联合审计机制。对应条款：5.3、5.6、6.2、7.1、7.2。A.5可穿戴设备与远程监测场景场景描述：涉及生命体征时序数据、行为数据、告警数据和