Apr, 2023

分布式条件 GAN（discGAN）用于合成医疗保健数据生成

PDF
TL;DR本文提出一种分布式生成对抗网络 (discGANs) 用于生成针对医疗保健领域的合成表格数据，特别是离散和连续医疗数据的分布建模。通过使用该方法，我们从原始的 2,027 个电子 ICU 数据集中生成了 249,000 个合成数据记录，并使用 Kolmogorov-Smirnov (KS) 检验和卡方检验评估了其机器学习效率和性能，结果显示 discGAN 能够生成与实际数据分布相似的数据。
generative adversarial networkshealthcare domainsynthetic tabular datamultimodalmachine learning efficacy
发现论文，激发创造
  • 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

  • 使用条件 GAN 建模表格数据

    本篇论文设计了 TGAN 来处理离散与连续的表格数据，使用 7 个模拟数据集和 8 个真实数据集进行比较，结果表明 TGAN 在大多数的真实数据集上比贝叶斯方法表现更好，而其他深度学习方法则表现欠佳。

    Jul, 2019

  • 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

  • 使用两个生成对抗网络的混合图像 - 表格数据的合成数据生成方法

    使用自编码生成对抗网络（GANs）和条件生成对抗网络（CTGAN），提出了一种生成综合医疗记录（包括胸部 X 光图像和结构化表格数据）的方法。通过将 GAN 模型的编码器与原始数据库中的图像进行组合，成功生成了多样的综合 X 光图像和表格数据的合成记录，并通过可视评估、间记录距离分布和分类任务评估了生成的数据库。该方法有潜力在不损害数据二次使用的情况下公开发布合成数据集。

    Aug, 2023

  • 使用扩散模型综合混合类型的电子健康记录

    使用扩散模型生成混合类型的电子病历在数据质量、效用和增强方面超过其他现有模型，但在隐私方面存在同质化风险。

    Feb, 2023

  • 基于 GAN 的皮肤病应用生成建模 -- 比较研究

    利用生成对抗网络 (GANs) 创建合成数据是解决医疗数据库隐私政策问题的好方法。本文探讨了集中式和分散式条件和非条件 GANs 的性能以及其在现实和理想情况下生成病变数据的能力，并说明了 GANs 训练过程中潜空间和嵌入可视化的技术，以及 GANs 的真实性和泛化性评估等问题。

    Aug, 2022

  • 使用差分隐私条件生成对抗网络改善在生成不平衡数据中的相关性捕捉

    本文提出了 DP-CGANS，一个不同 ially private conditional GAN 框架，旨在生成逼真且保护隐私的表格数据，其通过数据变换、采样、条件和网络训练进行操作，特别考虑到变量依赖性等挑战，并在多个数据集上展示了模型优越性。

    Jun, 2022

  • CTAB-GAN: 有效的表格数据合成

    本文主要介绍了一种名为 CTAB-GAN 的条件表格 GAN 架构，可以有效地模拟多种数据类型，包括连续和分类变量，并且通过对多项机器学习算法进行测试，在五个数据集上的表现令人印象深刻。

    Feb, 2021

  • 生成合理的医疗记录合成数据集

    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

  • 利用 GAN 增强医学图像从有限数据中合成逼真图像

    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