利用生成对抗网络生成多标签离散化患者记录
本文提出了一个框架,探索将生成对抗网络应用于连续实验室时间序列数据的价值,提出一种无监督的评估方法来测量合成实验室测试时间序列的预测能力,并证明在训练 GAN 模型之前,将训练集的表示学习纳入考虑是有益的,尤其是在预测药物作用于实验室测试数据方面。
Dec, 2017
本研究提出了一种基于深度半监督学习框架的 ehrGAN 模型来增强由限制的 Electronic Health Records 数据引发的风险预测绩效,并在两个真实的卫生健康数据集上的实验证明该模型可以产生逼真的数据样本,并且在生成数据的分类任务中,该模型较其他基线方法取得了更显著的改进。
Sep, 2017
本文研究应用生成对抗网络(GANs)生成真实且无隐私顾虑的电信号数据,用于医疗培训和数据分析,并就 GANs 产生的合成数据的隐私问题进行讨论。研究结果表明 GANs 的架构成功地生成了与训练集相似且不同样本的时间序列信号,并且能够经受住简单的成员推断攻击,保证了训练集的隐私。
Sep, 2019
通过对患者数据集进行聚类,我们提出了一种新方法来生成二进制数据集,该方法不同于 Generative adversarial networks(GANs),生成的模型易于解释,且通过比较实际应用数据集的多个参数得出的结果表明,该方法生成的人造数据集在多个指标上比现有方法更为逼真。
Jul, 2018
本篇论文提出了一种基于不同 ially private 框架和卷积自编码器以及卷积生成对抗网络生成合成数据的方法,以应对使用医疗记录数据所面临的隐私困难,该方法能够捕捉到原始数据中存在的时间信息和特征相关性,并在有监督和无监督情况下使用公开可用的标准医疗数据集,优于现有的同类方法。
Dec, 2020
通过比较各种使用生成对抗网络的合成数据生成模型,研究证明了隐私保护生成对抗网络(PPGAN)模型在保护隐私的同时保持了可接受的生成数据质量,为将来医疗应用提供更好的数据保护。
Feb, 2024
本文探讨使用生成式 AI 模型,如 GAN 和 VAE,为研究和培训创建逼真的匿名患者数据,以及在医疗保健中应用合成数据的益处、挑战和未来研究方向。
May, 2023
通过包括公平性考虑和利用生成对抗网络等先进技术,我们提出了一种新颖且专业的方法来解决医疗领域合成数据生成的局限性,为医疗应用中更可靠和无偏的预测铺平了道路。
Apr, 2024
通过引入生成对抗网络(GANs)的创新方法,我们提出了一种合成医学图像的方法,通过深度卷积神经网络(CNNs)架构的生成器和鉴别器网络以及对抗训练方法,即使在有限的真实医学图像数据训练下,也能生成逼真的合成图像,并成功模拟了真实医学图像的结构和纹理特征。
May, 2024