medRxiv 2026年9月14日该研究开发并评估了Multimodal Anonymizer——一个模块化、可本地部署的多智能体框架，整合多模态大语言模型、任务专用神经网络与规则化转换，在涵盖文本、表格、PDF、影像、元数据、文件名、音频、手写与3D影像的基准上，最佳本地配置（编排器为Qwen3-VL-235B-A22B-Thinking）取得每患者98.80%（95%-CI 97.20; 100）的去标识化敏感度与99.60%（95%-CI 98.80; 100）的关键临床内容保留率，在Charité本地250份产程图数据上敏感度与关键临床保留率均为100%，并在多数模态上优于既有工具。该研究开发并评估了Multimodal Anonymizer——一个模块化、可本地部署的多智能体框架，整合多模态大语言模型、任务专用神经网络与规则化转换，在涵盖文本、表格、PDF、影像、元数据、文件名、音频、手写与3D影像的基准上，最佳本地配置（编排器为Qwen3-VL-235B-A22B-Thinking）取得每患者98.80%（95%-CI 97.20; 100）的去标识化敏感度与99.60%（95%-CI 98.80; 100）的关键临床内容保留率，在Charité本地250份产程图数据上敏感度与关键临床保留率均为100%，并在多数模态上优于既有工具。多模态匿名化器：用于医疗数据去标识化的全本地多智能体AI系统该研究开发并评估了Multimodal Anonymizer——一个模块化、可本地部署的多智能体框架，整合多模态大语言模型、任务专用神经网络与规则化转换，在涵盖文本、表格、PDF、影像、元数据、文件名、音频、手写与3D影像的基准上，最佳本地配置（编排器为Qwen3-VL-235B-A22B-Thinking）取得每患者98.80%（95%-CI 97.20; 100）的去标识化敏感度与99.60%（95%-CI 98.80; 100）的关键临床内容保留率，在Charité本地250份产程图数据上敏感度与关键临床保留率均为100%，并在多数模态上优于既有工具。该研究开发并评估了Multimodal Anonymizer——一个模块化、可本地部署的多智能体框架，整合多模态大语言模型、任务专用神经网络与规则化转换，在涵盖文本、表格、PDF、影像、元数据、文件名、音频、手写与3D影像的基准上，最佳本地配置（编排器为Qwen3-VL-235B-A22B-Thinking）取得每患者98.80%（95%-CI 97.20; 100）的去标识化敏感度与99.60%（95%-CI 98.80; 100）的关键临床内容保留率，在Charité本地250份产程图数据上敏感度与关键临床保留率均为100%，并在多数模态上优于既有工具。