夜雨聆风医院里这种情况很常见——有一批历史病历数据，想拿来做AI分析或者发论文。病历里患者的名字、身份证号、手机号、住院号散得到处都是，有的在姓名栏，有的嵌在病史叙述里，有的混在联系方式里。挨个手动删，一份病历要花十几分钟，一百份就是二十多个小时。
这个医疗AI分析开源工具解决的就是这件事。它在本地跑，病历数据从不离开你的服务器，OCR扫描或手动输入一段病历文本进去，它自动识别并脱敏处理：姓名、身份证号、手机号、地址、邮箱、社保号，一并找出来，用你指定的方式处理——替换成假名字、遮住中间几位、整体哈希、日期偏移，都可以。
源代码：https://www.gitcc.com/yinuo/openmed-cn
一、核心功能
● 本地运行，数据从不离开服务器
所有处理在本地完成，不需要调用任何云端API。病历数据从进来到出去，全程不联网。医院内网、隔离网环境、没有任何外网访问权限的服务器上，都能跑。这解决了医疗数据处理中最敏感的问题——患者隐私数据不会被传输到任何第三方。
● 自动识别33种语言的PII信息
不只是中文，它能识别并脱敏33种语言的姓名、身份证号、地址、电话、邮箱等敏感信息。中国的身份证、印度的Aadhaar号码、巴西的CPF、欧盟的National ID，配置好语言参数，批量处理。医院里有外籍患者病历时，同样适用。
● 批量处理病历数据，支持API接入
用几行Python代码就能接入现有系统：BatchProcessor设置好模型，一次性处理上百份病历，输出脱敏后的结构化数据。也提供REST API，Java、Swift、Kotlin等语言可以直接调用。医院信息系统的数据导出后接这个工具处理，整个流程可以自动化。
二、应用场景
● 医院历史病历用于AI训练
想做疾病预测模型、用药推荐系统或者病历NLP分析，第一步就是把病历里的患者隐私信息脱敏干净。传统做法是人工审核+规则匹配，漏掉率不低。用这个工具做预处理，模型训练的数据管道全程合规，内审和监管都能过。
● 医学院临床数据研究
医学研究生做回顾性研究，需要大量真实病历来验证假设。病历里患者信息必须处理掉才能对外共享。用这个工具批量脱敏后，数据可以安全地用于学术发表和数据共享，不用担心隐私泄露的问题。
● 跨国医疗AI合作项目
不同国家的医疗数据有不同的合规要求，GDPR、HIPAA、国内的数据安全法，各有各的标准。在本地完成脱敏后再传输，病历数据本体从未出境，合规问题迎刃而解。
三、商业价值
● 大幅减少人工审核工作量
一份病历手动脱敏平均需要10-15分钟，1000份就是170-250个小时。用这个工具做预处理后，人工只需要做最终抽查和边界情况复核，整体工作量可以压缩到原来的十分之一以内。
● 部署灵活，不挑硬件
从iPhone到GPU服务器都能跑。Apple Silicon用MLX加速，iPhone上用OpenMedKit本地处理；安卓用ONNX Runtime；没有专用硬件的服务器用CPU也能跑。医疗机构的硬件条件参差不齐，这个适配性降低了部署门槛。
● 支持API集成到现有系统
不只是独立工具，它提供Python API、REST服务和MCP服务器，可以直接集成到医院的HIS系统、数据仓库或者AI平台。脱敏变成系统里的一个标准步骤，而不是一个独立的额外操作。
四、AI时代新功能
● 与AI Agent协作，处理医疗文档工作流
这个项目提供Agent Skills，可以直接集成到Claude Code等AI编程工具里。让AI Agent处理医疗文档时，它会自动调用这个工具做脱敏，不把真实患者信息粘贴进AI提示词里。医生或研究员用自然语言描述想做什么，AI Agent自动完成数据处理全流程。
● 浏览器端本地推理，数据完全不落盘
导出的Transformers.js包可以在浏览器里直接运行，OCR扫描或输入病历文本，网页端本地处理，患者数据从进到出从未离开浏览器。对于需要在多机构协作场景下做数据处理的，这个能力填补了一个空白。
这个医疗AI分析开源工具在本地跑，病历数据从不离开你的服务器，OCR扫描或手动输入一段病历文本进去，它自动识别并脱敏处理：姓名、身份证号、手机号、地址、邮箱、社保号，一并找出来，用你指定的方式处理——替换成假名字、遮住中间几位、整体哈希、日期偏移，都可以。
源代码：https://www.gitcc.com/yinuo/openmed-cn