随着医疗信息化技术的普及,数据采集更加便捷,医疗数据的快速增长令数据安全面临着前所未有的挑战。目前,大部分医疗数据中相似性处理与异常行为识别分析由专门的服务提供商负责,线上处理数据的服务模式对患者隐私信息带来了泄露风险。若该类数据信息安全保护不当,致使不法分子窃取数据信息,会对医疗机构及患者带来直接或间接的经济损失。在处理数据的同时如何保证敏感信息的安全性及隐私性是医疗数据分析面临的重要问题。本文设计了相关医疗数据分析的隐私保护方案,并针对现行算法中存在的问题进行改进,主要工作如下:(1)针对医疗欺诈分析过程中计算容易受到攻击,算法对簇集合并次数敏感且实现简单,需要逐个与其点进行距离比较及合并耗时较长的问题,提出了差分局部引力患者隐私保护方案。在方案中构建了 DPLG-HAC(Differential Privacy Local Gravity-Hierarchical Clustering)算法,该算法在HAC层次聚类的基础上融合差分隐私算法对原数据进行加噪扰动,并通过局部引力算法优化层次聚类过程,减少簇集合并次数的影响,加快判断异常患者的速度。仿真实验表明,DPLG-HAC对比其他算法提升了聚类效果的准确性及数据的隐私性。(2)针对医生处方分析中单一聚类的参数造成结果不稳定,容易受到不良基聚类成员结果影响、可靠性无法保证且无法确定可变邻域中邻居数量、聚类分割初始化及合并过程中会造成隐私泄露的问题,提出了差分可变邻域用药隐私保护方案。该方案由DPVNS-EAC(Differential Privacy Variable Neighborhood Search-Evidence Accumulate Clustering)算法组成,将可变邻域搜索VNS算法应用到EAC算法。通过VNS确定局部最优解,保证了算法的可靠性,并根据EAC的原理从根本上解决可变邻域的邻居数量问题,并在聚类迭代中添加拉普拉斯噪声,使其在保证聚类结果的同时,保护医生用药处方的隐私。仿真实验表明,DPVNS-EAC算法对比其他算法提升了分析效果准确性及数据的隐私性。(3)针对医疗监测高维数据分析中维度分布不均情况下聚类效果不均且易被分块攻击、传统K均值类算法处理高维度数据时间复杂度较高,算法密度阈值和固定边界参数设置敏感的问题,提出了差分人工蜂群患者隐私保护方案。该方案由DPCLI-ABC(Differential Privacy Clique-Artificial Bee Colony Clustering)算法组成,在 CLIQUE 子空间聚类基础上融合差分隐私算法,对患者的监测数据进行加噪保护,并通过人工蜂群ABC算法对聚类结果进行调优,在邻域内选择最佳食物源,以降低密度阈值和固定边界参数对分析结果造成的影响。仿真实验表明,DPCLI-ABC算法对比其他高维聚类算法提升了聚类效果的准确性及数据的隐私性。