يكشف بحث حديث عن مخاطر متباينة في خصوصية نماذج الذكاء الاصطناعي الطبي، حيث تعرض البيانات الحساسة للمرضى لهجمات استدلالية على العضوية في مجموعات التدريب. تؤكد الدراسة أن النماذج المستخدمة في التشخيص الطبي، رغم فاعليتها، تتيح للاعبين غير الموثوقين استنتاج ما إذا كانت بيانات مريض معين قد استخدمت في تدريب النظام، مما قد يكشف تشخيصات خطيرة مثل السرطان أو الأمراض النادرة. تظهر النتائج أن المقاييس التقليدية التي تقيس نجاح الهجمات على مستوى المجموعة الإحصائية تقلل من تقدير المخاطر الفعلية على الأفراد. فقد كشف التدقيق الشامل لعدة مجموعات بيانات سريرية كبرى أن فرص الهجوم الناجح تتوزع بشكل غير متساوٍ؛ إذ يواجه بعض المرضى نجاحا يقترب من الكمال في الكشف عن عضويتهم، بينما يظل آخرون بأمان. يزداد هذا الخطر بشكل ملحوظ مع زيادة سعة النماذج وحجمها، حيث تؤدي التحسينات في الأداء التشخيصي إلى ارتفاع مطرد في ثغرات الخصوصية. كما تكشف الدراسة عن فجوات منهجية في الخصوصية، حيث تكون الفئات السكانية الأقل تمثيلا في بيانات التدريب، بما في ذلك الأقليات العرقية والمجموعات ذات التأمين المحدود والمرضى بأمراض نادرة، أكثر عرضة لهجمات الخصوصية بشكل غير متناسب. يشير هذا إلى أن اتجاهات تطوير الذكاء الاصطناعي الحالي قد تعمق من التفاوتات الصحية القائمة وتقوض ثقة المرضى في المساهمة ببياناتهم. توصي الدراسة بإعادة معايير تقييم مخاطر الخصوصية لتعكس مستوى الفرد أو المريض بدلا من الاعتماد على المتوسطات الجماعية. وتؤكد أن تقنيات الخصوصية التفاضلية توفر حماية رياضية موثقة ضد هذه الثغرات، مشيرة إلى أن التخفيف الكامل يتطلب تطبيق هذه الضمانات على مستوى المريض وليس فقط على مستوى السجل الطبي الفردي. وفي ظل الاعتماد المتزايد على النماذج الطبية، تُعد هذه التوصيات ضرورية لتعزيز الأمان الرقمي والحفاظ على ثقة المجتمع في نشر حلول الذكاء الاصطناعي داخل الأنظمة الصحية.