企业官网建设流程全解析

OpenMed 邮件去标识化教程：EML/MSG 本地脱敏与附件 PHI 清洗完全指南

【免费下载链接】openmedLocal-first healthcare AI: clinical NER & HIPAA PII de-identification that runs 100% on-device. 2,200+ medical models, 21 languages, Apple MLX + Python, no cloud, no patient data leaving your network. Apache-2.0项目地址: https://gitcode.com/GitHub_Trending/ope/openmed

OpenMed 是一个本地优先（local-first）的开源医疗 AI 工具包，专为临床 NER 与 HIPAA PII 去标识化而设计，所有处理 100% 在设备端完成——没有云依赖，患者数据绝不离开你的网络。本教程带你从零掌握它的邮件摄取（email ingestion）能力：如何对 RFC 5322/MIME 格式的.eml文件做本地去标识化，如何安全处理 Outlook.msg邮件，以及如何清洗邮件头、HTML 正文、附件文件名与附件内容中隐藏的 PHI（受保护健康信息）。

为什么邮件是 PHI 泄漏的高风险通道？

在医疗场景中，一封普通的就诊邮件可能藏着大量敏感信息：

• 邮件头：发件人、收件人、抄送、主题行里的患者姓名与 MRN（病历号）
• 纯文本正文：诊断结果、联系方式、身份证号
• HTML 正文：可见文字、注释、甚至<script>里埋的 SSN
• 附件：病历 PDF、报告 DOCX，连文件名本身都可能带 PHI

传统做法是把邮件丢给云端服务"洗一遍"，这本身就违反了隐私合规。而 OpenMed 的思路是全部在本地完成——邮件解析仅依赖 Python 标准库，去标识化模型在设备端运行，全程不发起任何网络调用、不发送遥测。

OpenMed 邮件清洗覆盖的五个位置

调用redact_email后，OpenMed 会对邮件做一次"外科手术"式的处理：

检测顺序是"模型优先 + 确定性安全兜底"：先由你提供的本地 PII 检测器识别实体，再由 OpenMed 内置的确定性安全扫描做二次兜底，双重保险防止漏检。完整说明见 docs/multimodal/email-ingestion.md，核心实现在 openmed/multimodal/email.py。

快速上手：三步完成 EML 本地去标识化

第 1 步：安装带多模态支持的 OpenMed

uv pip install "openmed[multimodal]"

第 2 步：调用redact_email，一条语句输出干净邮件

from openmed import extract_pii from openmed.multimodal import redact_email result = redact_email( "patient-message.eml", output_path="patient-message.clean.eml", models={"detector": extract_pii}, lang="en", )

第 3 步：查看清洗报告

result会返回邮件头遮盖数、正文遮盖数，以及每个附件的处理清单——注意：附件报告只包含索引、规范化类型、数量和哈希值，绝不包含任何 PHI 原文。

💡 如果你只需要提取邮件的规范化文本而不做遮盖，可以用extract_email：它会解码From、To、Subject、日期等头部并还原纯文本与 HTML 可见内容，每个片段都带源偏移量（span），方便做下游审计。

Outlook MSG 文件如何安全处理？（GPL 隔离桥）

.msg是 Outlook 的私有格式，解析它需要 GPL 协议的extract-msg库。OpenMed 对此做了严格的法律与隐私隔离：

• 按需安装：pip install "openmed[email-msg-gpl,multimodal]"，不装则.msg会抛出可操作的MissingDependencyError
• 子进程隔离：extract-msg运行在独立 Python 子进程中，通过标准输入/输出交换字节流，GPL 代码永不进入 OpenMed 主进程
• 零临时文件：MSG 字节走管道传输，不落地任何含 PHI 的临时文件
• 只读转换：MSG 输入统一转换为 EML 后进入标准清洗流程

附件 PHI 清洗：PDF 会"烧"进像素

附件是邮件中最后一块隐蔽角落。OpenMed 的附件处理有三条硬规则：

1. 原始字节永不落盘：附件在内存中直接派发给通用去标识化器 redact_document，不经过临时文件
2. PDF 重建为纯图像 PDF：遮盖不是画个黑框覆盖文字层，而是把遮盖烧进页面像素——原始可搜索文字层和源元数据无法幸存。相关保真度说明见 docs/multimodal/pdf-redaction-fidelity.md
3. Fail-closed（失败即关闭）：不支持的附件类型宁可整体失败，也绝不原样复制进"干净"邮件，避免 PHI 从后门溜走

仓库中附带了一个合成测试样例 synthetic_phi.eml，其中故意埋了头部 MRN、HTML 注释里的隐私备注、脚本内 SSN、远程追踪图片和带患者姓名的 PDF 附件，可以作为你验证清洗效果的"压力测试"素材。

本地优先：患者数据不出你的网络

下图是 OpenMed 的本地批处理性能基准，去标识化吞吐在本地硬件上即可满足批量邮件归档场景：

与云端 API 服务不同，OpenMed 的整个邮件流水线没有任何网络调用与遥测。离线部署时只需提前把模型工件（model artifacts）准备到本地。对需要 HIPAA 合规或数据驻留（data residency）的机构来说，这意味着邮件中的 PHI 从头到尾都停留在自己控制的硬件上。

小结：邮件合规清洗的最短路径

• EML：装openmed[multimodal]，一行redact_email输出干净邮件
• MSG：加装[email-msg-gpl]，GPL 解析器被隔离在子进程，零临时文件
• 附件：内存中逐件清洗，PDF 重建为纯图像，不支持的类型直接失败关闭
• 全程本地：无网络、无遥测、无 PHI 落盘

把上面三步接入你的邮件归档流程，就得到了一条本地化的邮件去标识化最短路径。更多多模态文档处理细节（PDF 保真度、资产清单等）可查阅 docs/multimodal/ 目录下的系列文档。

【免费下载链接】openmedLocal-first healthcare AI: clinical NER & HIPAA PII de-identification that runs 100% on-device. 2,200+ medical models, 21 languages, Apple MLX + Python, no cloud, no patient data leaving your network. Apache-2.0项目地址: https://gitcode.com/GitHub_Trending/ope/openmed