王換換　吳響　魏裕陽(yáng)

【摘 要】隱私保護(hù)是實(shí)現(xiàn)大數(shù)據(jù)價(jià)值的首要步驟和關(guān)鍵環(huán)節(jié)。目前，結(jié)構(gòu)化數(shù)據(jù)隱私保護(hù)方法豐富，而醫(yī)療數(shù)據(jù)中常見(jiàn)的半結(jié)構(gòu)化數(shù)據(jù)缺乏可靠的隱私保護(hù)模型及完善的平臺(tái)支撐。針對(duì)這一問(wèn)題，本文將從數(shù)據(jù)結(jié)構(gòu)轉(zhuǎn)化的角度入手，深入探索半結(jié)構(gòu)化醫(yī)療數(shù)據(jù)的隱私保護(hù)方法及平臺(tái)構(gòu)建。

【關(guān)鍵詞】隱私保護(hù)；半結(jié)構(gòu)化；信息抽取

1 研究意義

醫(yī)療數(shù)據(jù)被充分共享的前提是保證數(shù)據(jù)的隱私安全。半結(jié)構(gòu)化醫(yī)療數(shù)據(jù)是醫(yī)療大數(shù)據(jù)的重要組成部分，占有舉足輕重的地位。醫(yī)療過(guò)程中形成的半結(jié)構(gòu)化信息隱私內(nèi)容多樣，從中折射、反映、蘊(yùn)含的資訊及信息具有巨大的應(yīng)用價(jià)值，對(duì)于醫(yī)學(xué)研究、政府統(tǒng)計(jì)或是其他個(gè)人、機(jī)構(gòu)的科研有重要意義。然而，由于半結(jié)構(gòu)化數(shù)據(jù)的復(fù)雜性、靈活性以及其自描述形式，現(xiàn)存的隱私保護(hù)技術(shù)滿足不了半結(jié)構(gòu)化醫(yī)療數(shù)據(jù)的隱私保護(hù)需求。

目前，數(shù)據(jù)共享中的隱私保護(hù)技術(shù)主要基于三類模型：k-匿名模型[1-2]、l-多樣性匿名模型[3-4]和t-closeness匿名模型。但大多數(shù)隱私保護(hù)技術(shù)都是針對(duì)結(jié)構(gòu)化數(shù)據(jù)，對(duì)半結(jié)構(gòu)化醫(yī)療數(shù)據(jù)共享的隱私保護(hù)并不理想。而綜合考慮技術(shù)、成本等問(wèn)題，對(duì)半結(jié)構(gòu)化醫(yī)療數(shù)據(jù)的隱私保護(hù)，應(yīng)首先考慮使用成熟的結(jié)構(gòu)化數(shù)據(jù)隱私保護(hù)方法，其關(guān)鍵是將半結(jié)構(gòu)化醫(yī)療數(shù)據(jù)轉(zhuǎn)化結(jié)構(gòu)化數(shù)據(jù)。半結(jié)構(gòu)化醫(yī)療數(shù)據(jù)的隱私保護(hù)問(wèn)題要綜合考慮到數(shù)據(jù)的異構(gòu)性、復(fù)雜性、高維性等問(wèn)題，明確中文醫(yī)學(xué)信息數(shù)據(jù)特點(diǎn)造成半結(jié)構(gòu)化信息抽取困難的問(wèn)題，充分利用國(guó)內(nèi)外半結(jié)構(gòu)化數(shù)據(jù)抽取技術(shù)及結(jié)構(gòu)化數(shù)據(jù)集信息的指導(dǎo)作用，將結(jié)構(gòu)特征與詞法、語(yǔ)義、表現(xiàn)形式等其他特征相結(jié)合，建立專門針對(duì)中文半結(jié)構(gòu)化醫(yī)療數(shù)據(jù)特點(diǎn)的智能化信息處理模型及系統(tǒng)。

此外，考慮到結(jié)構(gòu)化后的醫(yī)療數(shù)據(jù)具有高維度、高復(fù)雜度的特點(diǎn)，需要更加高效的計(jì)算技術(shù)，自動(dòng)并行化是解決這一問(wèn)題的有效途徑之一。Spark 是由伯克利大學(xué)開(kāi)發(fā)的通用分布式內(nèi)存計(jì)算平臺(tái)，而彈性分布式數(shù)據(jù)集（Resilient Distributed Dataset，RDD）是Spark 的最基本抽象，是對(duì)分布式內(nèi)存的抽象使用，實(shí)現(xiàn)了以操作本地集合的方式操作分布式數(shù)據(jù)集的抽象實(shí)現(xiàn)，適合優(yōu)化需要多次迭代操作的機(jī)器學(xué)習(xí)類算法。因此，半結(jié)構(gòu)化醫(yī)療數(shù)據(jù)的隱私保護(hù)過(guò)程完成能夠使用spark并行計(jì)算，進(jìn)行高效地資源分配。

2 研究?jī)?nèi)容

本文主要解決半結(jié)構(gòu)化醫(yī)療數(shù)據(jù)共享中的信息抽取、隱私保護(hù)、并行化等關(guān)鍵技術(shù)問(wèn)題，在保證半結(jié)構(gòu)化醫(yī)療數(shù)據(jù)共享后隱私安全的情況下，提高半結(jié)構(gòu)化數(shù)據(jù)的可用性，為臨床決策、科研提供數(shù)據(jù)資源的支持，構(gòu)建面向半結(jié)構(gòu)化醫(yī)療數(shù)據(jù)共享的BaaS隱私保護(hù)平臺(tái)。

（1）面向半結(jié)構(gòu)化醫(yī)療數(shù)據(jù)的信息抽取技術(shù)及醫(yī)學(xué)術(shù)語(yǔ)知識(shí)庫(kù)的構(gòu)建

建立服務(wù)于機(jī)器學(xué)習(xí)算法的中文醫(yī)學(xué)術(shù)語(yǔ)知識(shí)庫(kù)是信息抽取技術(shù)的基礎(chǔ)，利用統(tǒng)計(jì)學(xué)方法學(xué)習(xí)標(biāo)記好的語(yǔ)料庫(kù)、獲取規(guī)則、建立類似UMLS的中文醫(yī)學(xué)術(shù)語(yǔ)知識(shí)庫(kù)。標(biāo)注少量醫(yī)學(xué)病歷作為統(tǒng)計(jì)學(xué)方法的訓(xùn)練集；探索適當(dāng)?shù)目捎糜卺t(yī)學(xué)問(wèn)題識(shí)別的統(tǒng)計(jì)學(xué)算法；構(gòu)建一個(gè)可以表明人物及其相應(yīng)醫(yī)學(xué)問(wèn)題的信息表示方案；各部分研究間的關(guān)系可以構(gòu)成一個(gè)信息抽取系統(tǒng)。

（2）隱私保護(hù)算法的自動(dòng)并行化技術(shù)

引入Spark技術(shù)，Spark 使用基于內(nèi)存計(jì)算的并行化計(jì)算模型——彈性分布式數(shù)據(jù)集（resilient distributed datasets，RDD），提供強(qiáng)大的分布式內(nèi)存并行計(jì)算引擎，支持快速迭代計(jì)算，將機(jī)器學(xué)習(xí)應(yīng)用到常規(guī)并行化策略上，能夠進(jìn)一步提升訓(xùn)練速度。首先采用合理智能算法以及不同訓(xùn)練集對(duì)各個(gè)k-匿名算法進(jìn)行測(cè)試訓(xùn)練，檢測(cè)不同算法較為費(fèi)時(shí)部分；其次測(cè)試該部分能否進(jìn)行分布式計(jì)算法；最后Spark平臺(tái)進(jìn)行分布式運(yùn)算會(huì)涉及到通信開(kāi)銷，智能算法訓(xùn)練各k-匿名算法，給定各算法進(jìn)行分布式所需要的數(shù)據(jù)集閾值。對(duì)k-匿名算法設(shè)計(jì)采用了并行化局部?jī)?yōu)化的迭代計(jì)算模式，有效提高匿名效率。

（3）構(gòu)建面向半結(jié)構(gòu)化醫(yī)療數(shù)據(jù)的分布式隱私保護(hù)BaaS平臺(tái)

構(gòu)建面向結(jié)構(gòu)化醫(yī)療數(shù)據(jù)的分布式隱私保護(hù)BaaS平臺(tái)，該平臺(tái)應(yīng)具備上載結(jié)構(gòu)化數(shù)據(jù)集和半結(jié)構(gòu)化數(shù)據(jù)集、連接數(shù)據(jù)庫(kù)、醫(yī)學(xué)數(shù)據(jù)信息抽取模塊、隱私保護(hù)模塊、提供k-匿名算法的Rest-API。平臺(tái)內(nèi)含自建中文臨床子語(yǔ)言語(yǔ)法規(guī)則及醫(yī)學(xué)術(shù)語(yǔ)知識(shí)庫(kù)，為信息抽取的精確性提供知識(shí)儲(chǔ)備及技術(shù)支持。隱私保護(hù)模塊能夠按需求進(jìn)行全域k-匿名或局域k-匿名的選擇、具體實(shí)現(xiàn)k-匿名算法的選擇、隱私保護(hù)模型的選擇，同時(shí)該模塊具有是否使用分布式計(jì)算的選項(xiàng)。

3 研究方法

首先建立醫(yī)學(xué)術(shù)語(yǔ)知識(shí)庫(kù)及命名實(shí)體規(guī)則庫(kù)，對(duì)半結(jié)構(gòu)化醫(yī)療數(shù)據(jù)進(jìn)行信息抽取，測(cè)試抽取信息的準(zhǔn)確性。對(duì)抽取后的結(jié)構(gòu)化數(shù)據(jù)匿名，測(cè)試k-匿名算法的功能及其使用范圍。挖掘匿名前后數(shù)據(jù)所包含的信息，對(duì)比挖掘結(jié)果，對(duì)匿名后的數(shù)據(jù)集進(jìn)行信息損失量的度量，給出k-匿名算法的評(píng)估標(biāo)準(zhǔn)。為節(jié)省處理數(shù)據(jù)的時(shí)間，準(zhǔn)確找到各算法適合的分布式計(jì)算模塊，在k-匿名算法功能測(cè)試后，使用訓(xùn)練集對(duì)各k-匿名算法的代碼模塊進(jìn)行訓(xùn)練，分析每個(gè)程序段的運(yùn)行時(shí)間，探尋各個(gè)方法的運(yùn)行時(shí)間、次數(shù)等統(tǒng)計(jì)信息，并采用深度貪婪算法迭代統(tǒng)計(jì)含子程序的代碼段的運(yùn)行時(shí)間，找出算法最耗時(shí)模塊，對(duì)該模塊進(jìn)行分布式處理，使其單線程計(jì)算變?yōu)椴l(fā)式計(jì)算。

使用GATE程序?qū)Π虢Y(jié)構(gòu)化程序進(jìn)行信息抽取，GATE的抽取信息的準(zhǔn)確性高達(dá)97.58%，處理速度為31.5KB/s，完全可以滿足現(xiàn)有情況下的信息抽取要求。選擇匿名模型及匿名算法，利用匿名算法處理抽取后的結(jié)構(gòu)化數(shù)據(jù)，完成匿名。如果選擇的匿名算法匿名后的數(shù)據(jù)集不符合要求，則重新選擇匿名算法進(jìn)行匿名數(shù)據(jù)集，直到匿名后的數(shù)據(jù)集滿足隱私保護(hù)和數(shù)據(jù)可用性的雙重要求。同時(shí)，在匿名化之前，根據(jù)已訓(xùn)練出的參數(shù)進(jìn)行分布式需求判斷，如果分布式較為節(jié)省時(shí)間則采用分布式計(jì)算，如果因?yàn)榉植际教幚淼耐ㄐ砰_(kāi)銷造成時(shí)間浪費(fèi)，則采用單線程處理數(shù)據(jù)。

4 實(shí)施方案與研究步驟

第一步：關(guān)鍵詞提取，分詞處理是識(shí)別半結(jié)構(gòu)化醫(yī)療數(shù)據(jù)的第一步

（1）自主收集和制作中文詞表；

（2）編寫(xiě)針對(duì)中文特性的規(guī)則。

該方法不但可以準(zhǔn)確地抽取出個(gè)人信息，而且因其包含的ICD-10詞庫(kù)可以把半結(jié)構(gòu)化數(shù)據(jù)中包含的疾病、診斷、健康狀況信息轉(zhuǎn)化為結(jié)構(gòu)化數(shù)據(jù)，方便對(duì)半結(jié)構(gòu)化數(shù)據(jù)的挖掘，進(jìn)一步提高了半結(jié)構(gòu)化數(shù)據(jù)的價(jià)值。

第二步：半結(jié)構(gòu)化醫(yī)療數(shù)據(jù)隱私保護(hù)處理

針對(duì)提取出的個(gè)人信息，例如住址、年齡、提問(wèn)等信息，本文將采用k-匿名模型對(duì)其進(jìn)行匿名化處理?？紤]到k-匿名是把精確數(shù)據(jù)模糊化，因此，該方法匿名的數(shù)據(jù)集會(huì)產(chǎn)生一定的信息損失，對(duì)此本文采用IL評(píng)估方法對(duì)匿名表進(jìn)行信息損失量的判斷。為了更好的進(jìn)行隱私保護(hù)，在k-匿名模型的基礎(chǔ)上引入l-diversity模型、t-closeness模型對(duì)其進(jìn)行匿名化操作。

第三步：Spark分布式并行化算法處理技術(shù)

k-匿名算法是需要多次對(duì)數(shù)據(jù)操作即多次訪問(wèn)I/O端口，故可以通過(guò)減少k-匿名時(shí)的I/O操作較少匿名化時(shí)間，本文采用Spark平臺(tái)，把數(shù)據(jù)存儲(chǔ)在內(nèi)存中，避免不斷從硬盤讀取數(shù)據(jù)，節(jié)省訪問(wèn)I/O端口的通訊時(shí)間?？紤]到Spark計(jì)算本身具有通信開(kāi)銷，當(dāng)數(shù)據(jù)量較小時(shí)，使用Spark分布式進(jìn)行k-匿名算法可能會(huì)形成時(shí)間上的浪費(fèi)。因此，本文使用不同大小的訓(xùn)練集、不同屬性大小的訓(xùn)練集和不同泛化規(guī)則的訓(xùn)練集不斷進(jìn)行訓(xùn)練，找出來(lái)各k-匿名算法使用Spark平臺(tái)可以減少時(shí)間閾值[5]。在閾值之內(nèi)的數(shù)據(jù)集，將會(huì)建議采用單線程計(jì)算以節(jié)省時(shí)間和資源，大于此閾值的數(shù)據(jù)集，將會(huì)合理的給出分布式計(jì)算意見(jiàn)。

第四步：構(gòu)建面向半結(jié)構(gòu)化數(shù)據(jù)的分布式隱私保護(hù)BaaS平臺(tái)

構(gòu)建后端即服務(wù)BaaS平臺(tái)，通過(guò)Web Service技術(shù)構(gòu)建Rest API，為開(kāi)發(fā)者提供接口。在服務(wù)器端提供對(duì)底層系統(tǒng)的抽象，以實(shí)現(xiàn)對(duì)底層通用數(shù)據(jù)處理引擎的支持，并提供上傳結(jié)構(gòu)化數(shù)據(jù)集和半結(jié)構(gòu)化數(shù)據(jù)集、連接數(shù)據(jù)庫(kù)、醫(yī)學(xué)數(shù)據(jù)信息抽取模塊、隱私保護(hù)模塊、k-匿名算法等編程語(yǔ)言接口（API），從而滿足開(kāi)發(fā)者的需求。

【參考文獻(xiàn)】

[1]Samarati P，Sweeney L.Protecting privacy when disclosing information：k-anonymity and its enforcement through generalization and suppression.SRI Computer Science Laboratory Technical Report SRI-CSL-98-04，1998.

[2]Samarati P.Protecting respondentsidentities in microdata release[J].IEEE Trans Knowl Data Eng，2001，13：1010-1027.

[3]Machanavajjhala A，Kifer D，Gehrke J，and Venkitasubramaniam M.1-diversity：Privacy beyond k-anonymity.ACM Trans KnowL Discov. Data 1.1.2007.

[4]Li N H，Li T C，Venkatasubramanian S.t-closeness：privacy beyond k-anonymity and 1-diversity[C] Proceedings of IEEE 23rd International Conference on Data Engineering， Istanbul，2007.106-1 15.

[5]李文，程華良，彭耀，等.基于Spark可視化大數(shù)據(jù)挖掘平臺(tái)[C].系統(tǒng)仿真技術(shù)及其應(yīng)用.