arXiv は 2026 年 10 月 21 日に新しい論文「Automated screening of privacy risks in medical AI（医療 AI におけるプライバシーリスクの自動スクリーニング）」を公開した。识别子は arXiv:2610.30229v1 で、cs.LG（機械学習）に分類され、cs.AI（人工知能）と cs.CR（暗号とセキュリティ）にもクロスリストされている。著者は Konstantinos Vrettos と他 5 名の計 6 名で、投稿者は Michail Klontzas。投稿日時は 2026 年 10 月 21 日 17:52:43 UTC、本文は 37 ページ・図 5 点、ファイルサイズは約 3,079 KB である。DOI は DataCite 経由で登録申請中（https://doi.org/10.48550/arXiv.2610.30229）。
論文が扱う中心的な問題は次の通りである。医療 AI モデルは通常、学習データを公開せずに共有され、そのことが学習にデータを提供した患者の保護につながるという前提が置かれている。しかしモデル自体が、ある患者の記録が学習に使われたかどうかを明らかにし得る。これはメンバーシップ推論攻撃（membership inference attack）と呼ばれるプライバシー侵害である。著者らは、このリスクが通常コホート平均として報告される点を問題視する。平均値は無視できるように見えても、個々の患者はほぼ確実に露出している可能性がある。生産モデルの開発前に脆弱な記録を特定できれば、プライバシー評価はより実用的になる。
研究チームは、6 つの臨床データセット、4 つのモダリティ上で学習した合計 7,789 個のモデルを用いて、患者ごとのメンバーシップ推論攻撃への脆弱性を測定した。実験には適応させた事前学習済み医療モデル 2 つも含まれる。結果として、学習時の選択によって高い攻撃スコアを持つ患者の数は変化したが、リスク上位の患者は試験した構成間でほぼ同じままであった。より強い重み減衰（weight decay）は露出するコホートを最大 3 分の 1 に減らせたものの、学習レシピ、アーキテクチャ、初期化、さらには基盤モデル（foundation models）を含む構成を変えても、最も高いリスクに晒される患者はほぼ同一であった。
この知見に基づき、著者らは 4 つの小型モデルを用いる軽量なスクリーニングツールを開発し、生産モデルの学習前に露出リスクの高い患者を特定できるようにした。さらに、フラグが立てられた患者をデータ削除なしに保護できるかどうかも評価した。著者らは結論で、プライバシーのスクリーニングを臨床 AI のデータ準備工程に組み込むべきだと主張している。なお、抄録ではスクリーニングツールの実装詳細や評価指標、保護措置の具体的な効果は示されておらず、これらは全文を参照する必要がある。本結果は 6 つの臨床データセットと 4 モダリティでの実験に基づくプレプリント段階の知見であり、査読は未了である。他のデータセットや医療機関環境への一般化可能性については、今後の検証が求められる。投稿履歴上は v1 のみが存在し、全文 PDF は arXiv ライセンスの下で閲覧可能である。