模仿临床试验与合成急性髓性白血病患者使用生成人工智能
Jan-Niklas Eckardt1,2, Waldemar Hahn3,4, Christoph Röllig5
1Department of Internal Medicine I, University Hospital Carl Gustav Carus, Technical University Dresden, Dresden, Germany. jan-niklas.eckardt@uniklinikum-dresden.de.
NPJ digital medicine
|March 21, 2024
概括
使用人工智能的合成数据生成,包括CTAB-GAN+和规范化流量,成功地为急性髓性白血病研究创建了现实的患者数据. 这种方法提高了罕见疾病研究的数据可访问性和隐私.
科学领域:
- 医疗信息学 医疗信息学
- 人工智能在医学中的应用
- 血液学 血液学 血液学
背景情况:
- 临床研究需要高质量的患者数据,但数据采集是昂贵的,访问受到隐私和监管问题的限制.
- 合成数据生成提供了一种潜在的解决方案,可以克服这些障碍,改善数据可访问性,并使合成控制队伍的创建成为可能.
- 急性髓性白血病 (AML) 是一种异质的血液恶性瘤,由于数据有限,对临床研究提出了挑战.
研究的目的:
- 评估两种生成人工智能 (AI) 方法,CTAB-GAN+和规范化流 (NFlow) 的有效性,用于合成AML的多式联络患者数据.
- 与原始临床数据相比,评估生成的合成数据的真实性,可用性和隐私保护.
- 提供用于罕见疾病合成数据生成的概念验证,并将合成数据集公开提供.
主要方法:
- 两种生成性AI模型CTAB-GAN+和NFlow被用来合成来自四个多中心临床试验的1606名AML患者的患者数据.
- 这些模型合成了人口统计,实验室,分子和细胞遗传变量,以及患者的结果.
- 使用汉明距离量化隐私保护,以评估患者重新识别风险的缓解.
主要成果:
- 无论是CTAB-GAN+还是NFlow都准确地捕获了各种患者数据变量和结果的分布,在忠实性和可用性方面获得了高性能得分.
- 生存分析显示,原始和合成队伍的生存曲线之间存在密切相似之处.
- 在无变量结果分析中保留了变量间的关系,用合成数据支持探索性分析.
- 隐私分析证实,培训样本的隐私受到保护.
结论:
- 像CTAB-GAN+和NFlow这样的生成性AI模型可以有效地生成高保真度的合成多式联络临床数据,用于罕见疾病,如AML.
- 生成的合成数据证明了研究的可用性,包括生存分析和探索性研究,同时保持隐私.
- 这项工作在具有挑战性的临床数据集中建立了合成数据生成的概念验证,并提供了公众访问以促进进一步的研究.
