arXiv cs.CL· Soroosh Tayebi Arasteh, Mahshad Lotfinia, Sven Nebelung, Daniel Truhn·· 11 小时前AI 评分36
选择性关联精度：评估已发布医疗视觉语言模型的隐私风险
Selective Linkage Precision for Released Medical Vision-Language Models
AI 导读
研究提出“选择性关联精度”指标，衡量按性别、年龄段、投照体位等属性过滤候选报告后，视觉语言模型在最高置信度查询中正确匹配影像与报告的比例。在 ReXGradient-160K 上，MedSigLIP-448 在预算 100 时精度达 67.68%，而仅用属性策略为 24.99%、仅用模型为 1.98%；加入采集年份后精度升至 99.05%。该指标无需重训练即可推理，可帮助医院评估应公开哪些属性。
正文 · AI 翻译
摘要：医院可能会发布去标识化的胸部 X 光片，同时限制对其报告的访问。如果攻击者已经拥有来自同一人群的报告及其元数据，就可以利用视觉语言模型（VLM）将图像与报告进行匹配。我们引入了选择性关联精确率，该指标在按可用属性筛选候选后，衡量最高置信度查询中正确匹配的比例。在 8 个公开 VLM 和 3 个胸部 X 光片数据集上，全池 Recall@1 的最大值为 0.40%。然而，该指标是对每个查询取平均，且未进行属性筛选。在 ReXGradient-160K 上，按性别、年龄段和投照体位筛选后，MedSigLIP-448 在预算为 100 时达到 67.68% 的精确率，候选报告的中位数为 327。在相同的合格查询集上，仅使用属性的策略达到 24.99%，而仅使用模型达到 1.98%。加入采集年份（仅在 3 个数据集中的 1 个中可用）后，精确率达到 99.05%，候选报告的中位数为 24。对观察到的已选查询进行均匀猜测的期望精确率为 19.91%。将主设置集合扩展到全部 123,100 项 ReXGradient 研究后，精确率降至 37.23%。在 BioViL-T 上，所测试的头部微调流程并未使关联度低于公开检查点。选择性关联精确率要求在不重新训练的情况下进行推理，可帮助医院评估应发布哪些属性。
| 评论： | 已被 ML4H 2026 Proceedings 接收，澳大利亚悉尼 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；计算与语言（cs.CL）；机器学习（cs.LG） |
| 引用为： | arXiv:2606.02276 [cs.CV] |
| （或 arXiv:2606.02276v2 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2606.02276 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Soroosh Tayebi Arasteh [查看电子邮件]
[v1]
2026 年 6 月 1 日星期一 14:01:46 UTC（366 KB）
[v2]
2026 年 10 月 31 日星期六 12:38:24 UTC（191 KB）
来源：arXiv cs.CL · arxiv.org