May, 2023

增强子种群模型性能的集成合成电子健康记录生成

PDF
TL;DR该研究提出了一种基于生成模型的集成框架，用于训练适用于少数人群的预测模型，其包含用于每个子人群的基于 GAN 的合成数据生成器，并将生成的样本合并到每个子人群的训练数据集中，并在 MIMIC 数据库上的 2 个实际用例数据集上评估。结果表明，所提出的方法在少数人群中具有更高的模型性能。
electronic health recordssubpopulationsmachine learningensemble frameworkgenerative models
发现论文，激发创造
  • 合成电子健康记录：囊性纤维化患者组

    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

  • 合成电子病历生成模型的多方面基准测试

    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

  • 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

  • MCRAGE: 用于公平性的合成医疗数据

    通过使用生成模型合成样本来增加不平衡的数据集，从而在以大部分样本为基础的类别上实现更平衡的分布，以训练一个无偏的机器学习模型。

    Oct, 2023

  • 预测扩散模型综合多模态电子健康记录

    通过引入基于扩散的 EHR 数据生成模型 EHRPD 来解决电子健康记录数据生成中存在的局限性，并从真实性、隐私性和实用性的角度对其进行实验验证。

    Jun, 2024

  • 合成电子健康记录的评估

    本文提出了两个度量标准，即相似性和独特性，用于样本级别对合成数据集的评估，并以 CF 患者的电子病历为例，展示了这些度量标准的使用和各种现代生成模型的比较。

    Oct, 2022

  • 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

  • 利用加速去噪扩散模型生成电子健康记录

    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

  • 私有合成数据与集成学习

    通过应用差分隐私机制生成多个合成数据集，并对这些数据集进行训练，我们引入了一种新的集成策略以提高下游模型在真实数据上的性能。通过增加样本多样性，我们的实验结果表明，这种集成策略改善了使用基于生成对抗网络的差分隐私机制训练模型的下游模型的准确性和校准度。

    Oct, 2023

  • 生成对抗网络集成用于合成训练数据生成

    本文研究了在医学影像方面采用生成对抗网络（GANs）合成图像作为深度学习的训练数据来替代难以获取的真实数据集的可行性，同时探讨使用多个 GANs 以提高生成数据的差异性在数码病理学方面的应用。

    Apr, 2021