近日，一项针对医疗人工智能隐私风险的深度审计研究引发业界关注。研究团队采用先进的高效成员推断攻击技术，对涵盖电子病历、医学影像及心电图的七组大型真实临床数据集展开患者级风险评估。审计结果表明，传统聚合指标严重低估了实际威胁，隐私攻击成功率在患者间呈现显著不均衡分布。部分个体面临近乎完美的数据泄露风险，且训练集中代表性不足的少数族裔、特定保险群体及罕见病患者往往不成比例地暴露于高危区间，可能进一步加剧既有医疗不平等。此外，研究证实随着模型规模扩大，易受攻击的脆弱患者比例将呈数量级攀升。基于此，研究方呼吁彻底改革现有AI隐私审计范式，全面转向患者个体维度评估，并强制在模型开发流程中集成可验证的差分隐私保护机制。该结论为平衡医疗AI性能突破与患者数据主权提供了关键依据，强调唯有依托数学级隐私防护，方能重建公众信任并保障技术安全合规落地。