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

本文旨在介绍模拟器生成数据在医疗保健领域的应用与潜在优势，同时指出了其存在的潜在风险和问题。

Apr, 2023

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

本研究使用最先进的合成数据生成方法并对在营养学领域的特定用例中生成的数据进行深入的质量分析，展示了对合成数据进行仔细分析的必要性，并通过扩展方法，全面分析从训练模型中抽样的效果，从而在所选择的用例中基本复现了重要的真实世界分析结果。

May, 2023

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

随着智能手表健康传感器数据在智能医疗应用和患者监测中的应用越来越广泛，其中包括压力检测，然而，这类医学数据往往包含敏感的个人信息且获取成本较高。为了应对这一挑战，我们介绍了隐私意识的合成多传感器智能手表健康读数和压力瞬间相关性的方法。我们的方法使用生成对抗网络（GANs）生成合成序列数据，并结合差分隐私（DP）技术在模型训练过程中保护患者信息。为了确保合成数据的可靠性，我们采用了一系列质量评估方法，并监测合成数据与原始数据之间的合理性。为了测试其实用性，我们在一个常用但规模较小的压力检测数据集上创建了私有的机器学习模型，并探索了如何通过合成数据来增强现有数据基础。通过我们基于 GAN 的增强方法，我们观察到模型在非隐私（0.45% F1）和隐私（11.90-15.48% F1）训练场景中的性能改善。我们强调了差分隐私合成数据在优化效用 - 隐私权衡中的潜力，尤其在真实训练样本有限的情况下。

Jan, 2024

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

通过开发一个多任务自注意模型，我们可以合成真实的可穿戴活动数据，并通过定量和定性方法来检验其与真实样本的相似性，从而解决医疗研究中的数据稀缺问题。

Jul, 2023

利用潜在扩散模型生成皮肤病图像的研究表明，通过合成数据训练模型可以在数据有限的情况下提高性能，但合成数据与真实数据相比仍然有较小的性能增益，因此收集多样的真实数据仍是提升医疗人工智能算法的重要步骤。

Aug, 2023

通过合成数据生成技术来提升临床文档编制的方法，生成高质量的合成文本以准确和高效地改善现有的文档工作流程，进而改善病患护理、减少行政负担和提高医疗系统效率。

Jun, 2024