合成电子健康记录的评估
本文介绍了一种通用的基准测试框架,以评估生成对抗网络等方法合成的医疗数据的实用性和隐私度量,并发现在共享用于电子健康记录的合成数据时存在实用性和隐私度量的折中。
Aug, 2022
深度生成模型扩大了创建逼真合成健康数据集的潜力,但是仍然存在许多问题和挑战,包括如何评估合成数据集与原始真实数据集的相似性和预测效果,以及分享时的隐私风险。本文概述了合成健康数据领域的现状,包括生成和评估方法与工具,实际应用示例,监管和伦理环境,数据访问和治理选项,以及未来发展机会。
Jan, 2024
本文评估了深度生成模型合成患者电子健康记录的能力,并观察到在使用合成数据增强不平衡数据集时,进行患者预测分类的性能有所提高,这将有助于解决偏差和可推广性的当前挑战。
Jan, 2022
本研究综述了生成模型在合成各种医学数据类型方面的广泛应用,探索了合成应用、生成技术和评估方法等方面的见解,强调了医学数据的唯一性和临床应用的需求。同时,研究也揭示了医学图像评估方法的不足之处,呼吁进行深入评估、基准测试和比较研究以促进开放和合作。
Jun, 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
通过综合文献回顾和团队经验,我们提出了一个概念性框架,以保证合成数据在医疗人工智能应用中的质量,并扩展了普遍质量维度,包括公平性和碳足迹,并提出了支持实际应用所必需的阶段,通过增加透明度和减少安全风险来增强对合成数据的信任,以加速可信任的医疗人工智能工具的发展和推广,促进患者受益。
Jan, 2024
本篇论文提出了一种基于扩散模型的生成模型,可以成功地应用于电子病历数据。该模型提出了一种基于分类条件的采样机制以保留标签信息,并引入了一种新的采样策略来加速推理速度。经实验证明,该模型优于现有的其他合成电子病历生成方法。
Feb, 2023