基于深度强化学习的数字化医院病历数据加密研究

Digital hospital medical record data encryption based on deep reinforcement learning

摘要

为了提高电子病历(electronic medical record,EMR)共享调阅安全,应对隐私泄露、数据滥用风险,研究创新地基于深度强化学习(deep reinforcement learning,DRL)与深度学习完成了病历敏感信息的命名实体识别(named entity recognition,NER),然后采用高级加密标准(advanced encryption standard,AES)设计了病历数据加密模型。实验结果表明,基于深度强化学习的命名实体识别模型最高分类准确率可达0.941、匹配准确率可达0.901、F₁值可达0.876。在电子病历库中,该方法的标准化语义等级达0.90,有利于加密算法的性能提升,基于深度强化学习的加密算法实现了最短密钥生成时间,最多耗时559.93 ms;抵抗攻击的性能显著增加。研究设计的病历数据加密模型有助于保障患者的隐私权益和医疗安全,促进医疗资源的优化配置。

Abstract

To enhance the security of electronic medical record (EMR) sharing and retrieval, and address the risks of privacy leakage and data abuse, this study innovatively utilizes deep reinforcement learning (DRL) and deep learning to complete named entity recognition (NER) of sensitive medical record information. Subsequently, an encryption model for medical record data is designed using the advanced encryption standard (AES). Experimental results show that the DRL-based NER model achieves a maximum classification accuracy of 0.941, a matching accuracy of 0.901, and an F₁ score of 0.876. In the EMR database, the standardized semantic level of this method reaches 0.90, which is conducive to improving the performance of encryption algorithms. The DRL-based encryption algorithm achieves the shortest key generation time, with a maximum time consumption of 559.93 ms; its resistance to attacks significantly increases. The designed encryption model for medical record data helps to safeguard patients′ privacy rights and medical safety, and promotes the optimal allocation of medical resources.

关键词

深度强化学习 / DDPG模型 / 电子病历 / 加密算法 / 深度学习 / 命名实体识别

Key words

deep reinforcement learning / DDPG model / electronic medical records / encryption algorithm / deep learning / identity of named entity

[1] 李岱高, 刘勤明, 李佳翔. 基于麻雀搜索算法考虑病患流的医院诊疗设备维护优化研究[J]. 上海理工大学学报, 2023, 45(5): 513-522.[2] 翟社平, 白喜芳, 童彤. 基于区块链的电子病历共享模型研究[J]. 小型微型计算机系统, 2023, 44(12):2765-2772.
[3] 张建伟, 刘瑾, 杨海马, 等. 基于多特征信息融合自注意机制的中文命名实体识别方法[J]. 武汉大学学报(理学版), 2024, 70(3):281-292.
[4] 雷松泽, 刘博, 王瑜菲, 等. 结合多特征嵌入和多网络融合的中文医疗命名实体识别[J]. 电子与信息学报, 2023, 45(8):3032-3039.
[5] 王玉珏. 基于对抗神经网络的医院科研数据混合加密系统设计[J]. 自动化技术与应用, 2023, 42(10):85-87.
[6] Fugkeaw S, Wirz L, Hak L. Secure and lightweight blockchain-enabled access control for fog-assisted iot cloud based electronic medical records sharing[J]. IEEE Access, 2023, 40(11):62998-63012.
[7] 张智源, 孙水华, 徐诗傲, 等. 基于BERT和多窗口门控CNN的电机领域命名实体识别[J]. 计算机应用研究, 2023, 40(1):107-114.
[8] Munjal K, Bhatia R. A systematic review of homomorphic encryption and its contributions in healthcare industry[J]. Complex&Intelligent Systems, 2023, 9(4): 3759-3786.
[9] 叶靖祺, 时玉梅, 邵莙珺. 区块链技术支持下的医院财务数据交换系统安全性技术研究[J]. 自动化技术与应用, 2025, 44(9): 143-148.
[10] 李子彬, 王理丽, 王子乐, 等. 基于多元感知信息融合的电抗器故障声纹诊断研究[J]. 环境技术, 2024(2):121-126.
[11] 张小艳, 段正宇. 基于句级别GAN的跨语言零资源命名实体识别模型[J]. 计算机应用, 2023, 43(8):2406-2411.
[12] 陈娜, 孙艳秋, 燕燕. 结合注意力机制的BERT-BiGRU-CRF中文电子病历命名实体识别[J]. 小型微型计算机系统, 2023, 44(8): 1680-1685.
[13] 翟社平, 白喜芳, 童彤. 基于区块链的电子病历共享模型研究[J]. 小型微型计算机系统, 2023, 44(12):2765-2772.
[14] 朱西平, 赖宇, 龙文涛, 等. 基于区块链的电子病历共享与可验证方案[J]. 科学技术与工程, 2023, 23(14):6113-6122.
[15] 巫朝霞, 唐靖蕾, 苗志伟. 云环境下支持多授权机构的医疗数据安全共享方案[J]. 计算机应用研究, 2023, 40(12):3800-3804.

基金资助

上海市自然科学基金项目(22ZR1201200)