医疗AI的核心矛盾，不是“数据开放”与“隐私保护”二选一，而是如何在可控风险下释放数据价值。医疗数据能够帮助模型识别疾病模式、辅助药物研发，但其中包含病史、遗传信息和就诊记录，潜在伤害往往具有长期性和不可逆性。英国国家医疗服务体系（NHS）允许科技公司访问医疗数据库用于AI模型训练，正说明数据共享可以推动创新，也会迅速触发公众对患者隐私和数据安全的担忧。
开放不等于无条件共享
医疗数据开放应当区分“可用”与“公开”。真正合理的模式，是围绕明确目的开放必要数据，而不是把完整数据库交给所有参与者。数据治理至少应遵循三项原则：目的限定，只用于已批准的医疗研究或服务改进；数据最小化，只提供完成任务所必需的字段；权限分级，根据研究目标、人员身份和使用环境限制访问范围。
去标识化是基础措施，但不能被视为绝对安全。即使移除姓名、联系方式等直接身份信息，不同数据之间仍可能产生重新识别风险。因此，数据提供方还需要结合访问审批、环境隔离、操作留痕和定期审计，确保数据不能被擅自复制、转用或外泄。模型训练完成后，也应评估模型是否可能泄露训练样本中的敏感信息。
把责任嵌入技术流程
隐私保护不能只依赖使用者承诺，而应成为系统架构的一部分。对高度敏感的数据，可以优先考虑让数据留在原机构，通过受控方式完成模型训练；对确需跨机构协作的场景，则应明确数据控制者、处理者、责任边界和违规处置机制。模型输出也不能天然获得医疗决策资格，必须保留专业人员审核和患者权益申诉渠道。
更重要的是，公众不能只是被动接受数据被使用。医疗机构应清楚说明数据用途、收益分配、风险处置和退出机制，并对科技公司的商业使用设定透明条件。只有当患者知道数据为何被使用、谁可以使用以及出现问题由谁负责，开放才可能获得持续的社会授权。
医疗AI追求的不是数据越多越好，而是数据使用的目的越清晰、边界越可验证、责任越可追溯。真正成熟的开放机制，应让创新建立在患者信任之上，而不是以隐私让渡作为默认成本。