arXiv 于 2026 年 10 月 21 日发布了一篇新论文《Automated screening of privacy risks in medical AI》（自动化筛查医疗 AI 中的隐私风险），编号 arXiv:2610.30229v1，属于 cs.LG（机器学习）分类，同时交叉列入 cs.AI（人工智能）与 cs.CR（密码学与安全）。论文由 Konstantinos Vrettos 与另外五位作者共同完成，通讯提交人为 Michail Klontzas，提交时间为 2026 年 10 月 21 日 17:52:43 UTC，全文共 37 页、含 5 幅图，文件大小约 3,079 KB。DOI 通过 DataCite 申请中（https://doi.org/10.48550/arXiv.2610.30229）。
论文关注的核心问题是：医疗人工智能模型在发布时通常不公开训练数据，人们据此假设患者的隐私因此受到保护。然而，模型本身可能泄露某位患者的记录是否被用于训练，这类隐私攻击被称为成员推断攻击（membership inference attack）。作者指出，这种风险通常以队列平均值的形式报告，平均值看起来可能微不足道，但实际上某些个体患者几乎可以确定处于暴露状态。如果在开发生产模型之前就能识别出可能易受攻击的记录，隐私评估将变得更加可行。
为量化这一风险，研究团队在六个临床数据集、四种数据模态上共训练了 7,789 个模型，并逐一测量每位患者对成员推断攻击的脆弱性；其中还包括两个经过适配的预训练医疗模型。结果显示，训练选择会改变高攻击分数患者的数量，但在所测试的各种配置下，风险排名最高的那批患者基本保持不变。更强的权重衰减（weight decay）最多可将暴露队列缩小三倍，然而无论训练配方、模型架构、初始化方式如何变化，甚至包括基础模型（foundation models），处于最高风险的患者群体在很大程度上仍是同一批人。
基于上述发现，作者开发了一个轻量级筛查工具，使用四个小型模型，在生产模型训练之前识别出高暴露风险的患者。此外，研究还评估了在不删除数据的前提下，能否对被标记的患者加以保护。作者在结论中主张，隐私筛查应当被纳入临床 AI 的数据准备流程。论文的摘要未披露筛查工具的具体实现细节、评估指标以及保护措施的具体效果，这些内容需查阅全文。需要指出的是，文中结论来自作者在六个临床数据集和四种模态上的实验，属于预印本阶段的初步研究成果，尚未经过同行评审；其工具在其他数据集与机构环境中的可推广性仍需进一步验证。投稿历史显示目前仅有 v1 一个版本，论文以 arXiv 许可协议提供全文 PDF 访问。