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
本文讨论合成数据在神经网络人工智能系统开发中的重要作用,并探讨复杂多尺度机制模拟模型生成多维时间序列数据在生物医学领域中的应用,尤其是对于疾病预测和药物开发流程的重要性。
Mar, 2023
通过系统评估医学数据集合,我们提出了 METRIC 框架,该框架包含了 15 个数据质量意识维度,帮助减少偏见、增加稳健性、提高可解释性,从而为医学中可信赖的人工智能奠定了基础。
Feb, 2024
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
该研究提出一种 “病理学家在环路中” 的框架,通过人工专家的反馈,将临床知识注入扩散模型,从而生成具有临床可信度的合成医学影像。
Jun, 2023
通过提出一个新的评估框架,本研究旨在评估合成数据生成模型的能力以生成高质量的数据,利用统计和理论信息来比较模型的排名,并展示了该框架在两个应用场景下的实用性。
Apr, 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
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。