当前时代背景下,人工智能技术推动智慧医疗进程持续发展,大数据在给医疗行业带来价值和便捷的同时,也蕴含着隐私泄露的风险和挑战。近年来,使用深度学习算法分析非结构化数据的图神经网络模型备受关注,它所展现出的强大表示能力使其在一些医学任务中表现出卓越的性能。然而,在使用医学数据训练图模型时,本地图节点难免会因携带患者个人的真实敏感信息而造成隐私泄露。因此,面向医学数据的图模型隐私保护研究尤为重要。作为隐私计算的一种关键技术,差分隐私能够为两个不同输入值的输出分配相似概率,从而混淆敌手基于背景知识的隐私推测,在数学上保证不泄露用户个人隐私,同时依然可以从对加噪数据的训练分析中得到有价值的统计结果。本文重点围绕数据发布和数据挖掘阶段所面临的医疗诊断数据隐私泄露问题,提出两种基于差分隐私的解决方案,主要研究内容和贡献总结如下:（1）扩展了差分隐私的应用领域,首次实现了对医疗诊断任务中非结构化的处方数据进行差分隐私保护。首先基于笔者已录用期刊论文,调研、分析和总结了差分隐私在大数据隐私保护生命周期中的应用现状和实现机制,并针对具有差分隐私应用需求的数据发布和数据挖掘阶段,依次提出基于差分隐私的直方图发布方案和基于本地差分隐私图神经网络的医疗诊断方案,以降低在分析或共享生物医学数据时,图节点携带患者敏感信息的概率。（2）针对在医疗诊断统计记录发布时,传统的直方图发布算法容易造成患者诊断记录隐私泄露的问题,本文使用一种直观的基于差分隐私的直方图发布算法进行实验,以此对比了在不同隐私预算下直方图统计数据的分布状态和总误差,实验结果较为直观地展示了隐私预算和数据可用性之间的关系。（3）针对服务器端模型在分析医疗诊断处方数据进行患者病理分类时可能通过图节点收集用户敏感信息而造成的节点隐私问题,一方面,考虑患者病史、病理和首诊处方信息,根据现实中避免误诊需求,研究构建医疗诊断处方图数据的方法。另一方面,使用本地差分隐私图模型在五个真实图数据集上进行图节点分类实验,重点研究具有节点级别本地差分隐私保护的图神经网络医疗诊断方案。实验结果表明,本地差分隐私图模型对特征扰动和标签扰动均具有鲁棒性。对于用于医疗诊断的首诊处方数据集而言,即使适当降低特征或标签的隐私预算,其精度损失仍然可以控制在10%以内。此外,在使用带噪特征和标签进行训练和验证后,模型在测试集中的表现效果依然优于交叉熵或前向校正法。因此,对于本研究中的医疗诊断病理分类任务,本地差分隐私图神经网络模型可以在敏感数据的隐私保护程度和模型准确率之间取得权衡。