امنیت سایبری و امنیت داده در مدل های زبانی بزرگ حوزه سلامت

مدل های زبانی بزرگ (LLM) به سرعت در حوزه های بالینی، مستندسازی پزشکی و پژوهش سلامت به کار گرفته می شوند، اما این گسترش با ریسک های قابل توجهی در حوزه ی امنیت داده و امنیت سایبری همراه است. هدف این پژوهش، ترکیب و تحلیلیافته های مرورهای معتبر منتشرشده در این زمینه در قالب یک مرور چتری است. بدین منظور، با جستجوی نظام مند در پایگاهPubMed و اعمال معیارهای ورود(نوع مقاله: Review، بازه ی انتشار: ۲۰۲۲ به بعد، محور موضوعی: امنیت داده/امنیت سایبری در LLM حوزه سلامت) و پیگیری فرایند غربالگری PRISMA روی۴۵ رکورد اولیه، سه مقاله ی مروری به عنوان منابع نهایی انتخاب شدند: Clusmannو همکاران(Nature، ۲۰۲۶)، Zhong و همکاران(JMIR، ۲۰۲۵)Arouaو همکاران Frontiers in Artificial Intelligence)، ۲۰۲۶).یافته ها نشان می دهد ریسک های امنیتی LLM در حوزه ی سلامت را می توان در سه سطح دسته بندی کرد: ریسک های زیرساختی و امنیت سایبری کلاسیک (مسموم سازی داده، تزریق پرامپت، آسیب پذیری زیرساخت فناوری اطلاعات)، ریسک های ذاتی مدل (نشت و به خاطرسپاری اطلاعات سلامت بیمار، تولید محتوای نادرست ولی قابل قبول)، و ریسک های ناشی از تعامل انسان-هوش مصنوعی (اتکای بیش ازحد، تقویت پیش فرض نادرست).در مقابل، راهکارهای دفاعی شامل حریم خصوصی افتراقی،یادگیری فدرال، ناشناس سازی داده، ماشین فراموشی (Machine Unlearning) و استقرار محلی مدل ها معرفی شده اند، هرچند هرکدام محدودیت های عملی خاص خود را دارند. نتیجه گیری کلی این مرور، نیاز فوری به چارچوب های نظارتی دقیق تر، ساختارهای حاکمیتی سازمانی مشخص، و همگرایی میان پژوهش فنی، حاکمیت بالینی و مقررات گذاری است.

کلیدواژه ها:

مدل های زبانی بزرگ ، امنیت داده ، امنیت سایبری ، حریم خصوصی بیمار ، سلامت دیجیتال