德国慕尼黑工业大学研究团队于2026年6月24日在《自然》期刊上发表文章指出，若个人数据被用于训练医疗AI模型，其数据可能被网络攻击者识别，从而引发隐私泄露风险。医疗AI有望改善全球健康状况，但训练模型所用的敏感数据却面临隐私攻击风险。当前的风险评估大多忽略了个体层面的风险，因此亟须采取更严格的访问控制措施。

为深入探究这一风险，研究团队利用7个包含医学影像、心电图和电子健康记录等真实临床数据的大型数据集，开展了一项针对个人隐私风险的审计。与以往多从整体数据集层面评估风险不同，该团队专门评估了“成员推理攻击”的威胁场景。在这种攻击下，攻击者能精准判断特定个人的数据是否被用于模型训练，进而推断出患者的医疗与私人信息。

研究结果显示，这种攻击对特定个人的数据识别准确率几乎达到100%，精准度远超此前预期。此外，某些特定群体面临的隐私风险明显更高。由于罕见病患者、少数族裔及社会经济地位较低等边缘群体在数据集中占比偏小，其数据特征更为独特，使得这些群体更容易被攻击者识别出来，面临不成比例的隐私泄露风险。随着AI模型容量和规模的增加，攻击成功率也会随之上升。

信息来源：

https://www.nature.com/articles/s41586-026-10688-0

https://www.stdaily.com/web/gjxw/2026-06/24/content_536792.html