EdgeDeID 0.6B临床去标识模型在arXiv发布

EdgeDeID 是由 Sina Daneshgar 等人研发的 0.6B 参数本地运行临床去标识模型。该模型于 2026 年 10 月 27 日在 arXiv 发布论文，其核心特点是在训练阶段完全不依赖真实患者数据，而是使用合成数据完成微调，解决了调用云端模型可能导致隐私泄露的痛点。 在包含 100 条合成临床笔记的基准测试中，该模型表现优于市面现有的最强工具。具体指标显示，其微平均 F1 分数达到 0.994，且 99% 的笔记无标识符遗漏；相比之下，八款现成系统中表现最好的一款的 F1 分数仅为 0.857，遗漏率高达 12%。 在部署效率方面，量化后的 EdgeDeID 仅需 615 MB 的 CPU 内存即可运行，具备低资源环境下的本地部署优势。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。