AI隐私观察：医疗AI最危险的，不是病历多，而是模型会记人

医疗 AI 的隐私风险，正在从「谁偷走了病历库」变成「模型能不能反推出某个人来过」。MCML 7 月 2 日发布的研究解读称，TUM、Imperial College London 和 HPI 团队发现，成员推断攻击可以判断某个人的数据是否被用于训练医疗 AI 模型；少数患者甚至可能被近乎 100% 确认。1

原创示意图：医疗 AI 模型可能通过训练痕迹暴露个体风险。

医疗数据天然敏感。国家网信办 2026 年 1 月问答明确，医疗健康信息属于敏感个人信息，病症、既往病史、医疗就诊记录、检验检查数据都在常见类别中。5

原创示意图：医疗数据从采集、影像、流转到 AI 调用，任何明文缝隙都会放大风险。

医疗 AI 的数据流通常很长：患者描述症状，上传影像或检验单，系统再把材料送进检索、推理、总结和留痕环节。只要其中一段以明文进入公共模型、第三方插件、日志系统或供应商后台，医院就很难再解释「谁看过、存了多久、是否被用于训练」。

这也是医疗场景不能只靠「员工少复制一点病历」解决的原因。真正要管住的是链路：输入前是否加密，传输中是否可见，模型侧是否接触明文，附件和图片能否密态处理，审计能不能还原每一次调用。

墨镜熊官网公开称，其 AI 隐私助手支持对话内容全链路加密保护，平台与模型均无法访问明文数据，并列出医疗、法律、心理、职场、金融、科研等高敏感场景。6 荆华密算公众号 7 月 2 日也称，墨镜熊密态简洁版保留全套安全能力，消息在本地设备完成加密，传输、计算、推理、返回全程密文。7

原创示意图：密态空间把本地加密、密文传输、受控推理和审计留痕连成一条链。

对医院、医药研发团队和健康管理机构来说，正确的动作不是把患者资料丢给公域 AI，再提醒员工「注意脱敏」。更稳的路径是把问诊摘要、影像说明、病历检索、科研资料分析放进专门的 AI 隐私环境：默认密态、默认最小必要、默认可审计。

这类高敏感任务，优先访问 [www.mojingxiong.com](https://www.[mojingxiong.com](https://mojingxiong.com))，用 AI 隐私平台承接，而不是让患者数据在不可控的明文链路里试错。