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

这篇论文旨在综述数据合成算法特别是针对非成像医疗数据的应用，并提供详细的算法、评估、限制和未来研究方向等综合性描述，以提高医疗人工智能的数据质量和可靠性。

Sep, 2022

在快速发展的人工智能领域中，合成数据集的创建和利用日益重要。此报告重点探讨了合成数据的多方面特点，尤其强调了这些数据集可能存在的挑战和潜在偏见。它探讨了合成数据生成的方法，涉及传统统计模型到先进深度学习技术，并研究了它们在不同领域的应用。此报告还批判性地讨论合成数据集涉及的道德考虑和法律影响，突出了确保公平性、减轻偏见和维护人工智能发展中的道德标准的机制的紧迫性。

Jan, 2024

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

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

使用扩散模型的合成数据补充对胸部 X 射线影像（CXR）分析中深度学习（DL）分类器性能的影响进行了研究，评估了内部和外部数据集上分类器的性能，结果表明合成数据补充可以增强模型准确性，尤其是在检测罕见病变方面。然而，尽管结果有希望，真实数据的优越性仍然存在。

Nov, 2023

利用合成数据作为验证集，从而减少过拟合，简化 AI 模型选择，本研究展示了合成数据在早期肿瘤检测方面的有效性，以及在不同领域中用于增强 AI 的鲁棒性的潜力。

Oct, 2023

通过使用合成图像数据集，我们提出了一种评估医学成像人工智能模型的方法，并发现模型性能随乳房密度增加而减小，随质量密度增加而增大，并在低于乳房类型的推荐剂量的曝光水平下获得了最高性能。

Oct, 2023

通过利用生成人工智能（AI）产生的图像作为新的数据源，重新塑造了视觉智能中的传统模型范式，本文探讨了这一创新概念，从训练机器学习模型到模拟场景进行计算建模、测试和验证等一系列应用中探索了生成数据的潜力，并深入讨论了支持这种突破性使用生成 AI 的技术基础以及伴随的伦理、法律和实践考虑。

Oct, 2023

该研究论文探讨了合成面部数据在人脸识别领域中的应用及近期进展，以及由此带来的挑战和未来前景。研究提出合成数据作为隐私友好的替代品具有很大的潜力。

May, 2023