合成健康数据概述

Jan, 2024

A primer on synthetic health data

Jennifer Anne Bartell, Sander Boisen Valentin, Anders Krogh, Henning Langberg, Martin Bøgsted

TL;DR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。

Abstract

Recent advances in deep generative models have greatly expanded the potential to create realistic synthetic health datasets. These synthetic datasets aim to preserve the characteristics, patterns, and overall sci

deep generative models synthetic health datasets data sharing evaluation methods regulatory and ethical landscape

发现论文，激发创造

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

在医疗领域利用生成式人工智能模型进行合成数据生成：平衡研究和隐私

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

医疗保健中的合成数据

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

为纵向队列研究生成合成数据 —— 评估、方法扩展与已发布的数据分析结果再现

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

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

生成和评估合成纵向患者数据的方法：系统综述

通过系统回顾方法，本文介绍了在医学领域中生成和评估综合性纵向患者数据的 17 种方法，涵盖了从传统模拟技术到现代深度学习方法的范围，并讨论了开发综合性纵向数据生成方法的实际指南和关键考虑因素。

Sep, 2023

合成医疗数据的真实性和隐私

该论文探讨了使用合成数据作为医学创新的一种替代方法来保护患者隐私的可行性，提出了一个新的框架来量化合成数据的统计保真度和隐私保护性能，并利用 Syntegra 技术生成的合成数据来证明这些指标。

Jan, 2021

使用合成数据训练 AI 模型：可持续发展的机遇与风险

研究了合成数据的政策，包括创建、利用和传播。必须在保护隐私和数据的可用性之间找到平衡，并制定标准化准则来应对合成数据的挑战。

Aug, 2023

什么是合成数据？好的，坏的和丑陋的

介绍了合成数据的定义、用途、隐私挑战和限制，探讨了其作为隐私增强技术的潜力。

Mar, 2023

超越隐私：合成数据的机遇与挑战

本文探讨生成模型产生的合成数据可能成为机器学习领域的主导力量，可以创造更公平的数据、进行数据增强和模拟，尤其是在 ChatGPT 生成的文本方面。然而，在使用合成数据时，社区需要克服许多基本的挑战，其中最重要的是量化我们能够信任的查找或预测的程度。

Apr, 2023