PrivMeSA：基于本地-远程LLM协作的医疗隐私保护自进化多Agent系统

arXiv:2609.38458v1 公告类型：new 摘要：部署在本地临床环境中的大型语言模型（LLM）Agent 可以向能力更强的远程模型发起咨询，但这样做存在泄露患者信息的风险。注重隐私的委托机制将信息披露决策交由本地 Agent 负责，然而仅移除显式标识符并不足够：准标识符可能跨越多轮咨询以及患者多次就诊不断累积，从而支持重识别。我们提出 PrivMeSA，一个具备隐私意识、可自我演进的多 Agent 系统，用于学习控制信息披露，并将远程专业能力保留下来以供本地复用。本地 Agent 管理每次就诊，并可咨询可能请求补充信息的远程专科模型。强化学习在任务准确性与直接披露风险及基于登记库的再识别风险之间进行权衡，并针对每次就诊的完整对外传输记录评估隐私风险。本地经验记忆将已完成的咨询提炼为泛化的临床指导，并在传输前检索相关经验，使后续病例无需再次进行远程交互即可复用专业知识。该记忆的增长不依赖额外的结果标签或参数更新。在一个基于 MIMIC-IV-ED 记录构建的急诊基准上，PrivMeSA 将平均任务准确率较委托方法提升最高达 15.8 个百分点。在同一设定下，PrivMeSA 将个人详细信息披露的比例从 98.0% 降至 0.2%，并将患者可被缩小到登记库中不超过十人的病例比例从 74% 降至 0%。