NIPSDec, 2017

基于生成对抗网络的电子健康记录研究：探索和评估药物诱导的实验室检测轨迹预测方法的框架

PDF
TL;DR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。
generative adversarial networksganshealthcareelectronic health recordscontinuous laboratory time series data
发现论文，激发创造
  • 利用生成对抗网络生成多标签离散化患者记录

    本文提出了一种基于生成对抗网络的方法（medGAN），用于生成逼真的合成病人记录数据，并证明其可行性及隐私风险。

    Mar, 2017

  • 利用生成对抗网络提高电子病历深度学习风险预测的性能

    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

  • 使用生成对抗网络合成逼真的心电图

    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

  • 生成对抗网络用于数据增强

    使用生成对抗网络 (GANs) 来扩充医疗领域中用于训练人工智能模型的可用数据集是可行的，然而仍需在医学影像使用 GANs 方面进行更进一步的研究以确保生成的影像质量高并适用于临床环境。

    Jun, 2023

  • 生成对抗网络概述

    本文概述了生成对抗网络在信号处理中的应用，讨论了 GANs 的训练方法和构建策略以及它们在 deep representations 学习中的表现和存在的挑战。

    Oct, 2017

  • 保护和扩展 —— 使用 GAN 生成时间序列医疗记录的合成数据

    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

  • 进化生成式对抗网络

    本文提出了一种新的 GAN 框架，名为进化生成对抗网络 (E-GAN)，该框架使用不同的对抗训练目标作为突变操作，通过进化一群生成器来适应环境 (判别器) 以实现稳定的 GAN 训练和改进的生成能力，并利用评估机制来衡量生成样本的质量和多样性，从而始终保留最佳基因用于进一步的训练，从而提高了 GAN 的整体训练效果和生成性能。

    Mar, 2018

  • 基于生成对抗网络的分类型电子病历填补

    本文提出了一种用于电子医疗记录中缺失数据生成和填补的新方法，该方法基于 GAN 技术，可以有效地提高数据预测精度。

    Aug, 2021

  • 医疗影像生成对抗网络：综述

    本文综述了在医学图像方面使用对抗性训练方案的最新进展，这种方法利用生成对抗网络，能够在不显式建模概率密度函数的情况下生成数据，具有域自适应、数据增强和图像处理等优点。

    Sep, 2018

  • 使用生成对抗网络合成表格数据

    本文介绍了 Tabular GAN（TGAN），这是一种可以生成表格数据（例如医学或教育记录）的生成对抗网络，利用深度神经网络生成高质量和完全合成的表格，同时生成离散和连续变量。在三个数据集上评估我们的模型时，我们发现 TGAN 在捕捉列之间的相关性和扩展大型数据集方面都优于传统的统计生成模型。

    Nov, 2018