世界医疗卫生事业经历了从临床常态化阶段到信息化普及阶段的重大演变,机器学习推动了智能医疗的发展。目前已经提出了一些辅助给药方案为准确分配胰岛素剂量提供支持,但是传统的个性化给药服务总是以明文形式收集和传输医疗数据,这造成了隐私泄露的风险。另外,基于小型医院有限的标签数据难以训练出准确的模型,医院将未标记的医疗数据外包给拥有云服务器的医疗服务提供商（Health Care Provider,HCP）,云服务器利用医院的无标记目标域数据和自身的源数据采用域适应方法对模型进行训练。恶意用户可利用训练数据标签,从而发起基线增强成员推理攻击。泄露的数据可能会被攻击者滥用以此推断用户隐私信息,攻击者能够出于经济或犯罪目的获得不正当利益。因此,解决机器学习中医疗数据的隐私保护问题迫在眉睫,本文针对以上问题进行了深入研究,并提出了以下方案:（1）针对个性化胰岛素给药方案中数据传输造成的隐私泄露问题,本文提出基于强化学习的优化胰岛素剂量隐私保护方案。该方案利用加法秘密共享和边缘计算来实现数据加密和性能优化,将医疗数据均匀随机划分为多个秘密外包给边缘服务器以实现秘密共享。在强化学习的计算任务中,通过本文提出的加法秘密共享协议对数据进行加密和处理,该协议通过轻量级加密机制保护隐私,以保证秘密共享系统较低的工作量。本文提供了理论分析和实验结果,证明了该方案在计算开销上有显著的优势。（2）针对基线增强成员推理攻击（Membership Inference Attack,MIA）对于域适应中医疗数据的隐私泄露问题,本文提出基线增强成员推理攻击差分私有域适应方案。通过标准化深度学习模型来减少过度拟合实现保护隐私,考虑到模型的有效性和数据隐私性,其中差分隐私（Differential Privacy,DP）噪声只会添加到指定的梯度中。本方案对源数据和目标数据分别进行训练,源数据通常来自公开的训练数据集,因此在训练过程中只对未标记的目标数据添加噪声。此时,对模型的最强隶属度推理攻击相当于随机猜测,即最大成员隐私。通过在基准数据集上进行实验,得出方案在保证模型精度的前提下,能够有效地抵御基线增强成员推理攻击的干扰,满足域适应过程中严格的隐私保护需求。