医疗保健中的综合数据生成方法:对开源工具和方法的审查

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 数据科学数据科学数据科学

背景情况:

• 数据稀缺和隐私问题阻碍了医疗保健中的AI发展.
• 需要公正,大规模的数据集来进行强大的AI模型培训.
• 合成数据生成为这些挑战提供了潜在的解决方案.

研究的目的:

• 审查医疗保健中合成数据生成方法的应用和有效性.
• 分析各种医疗数据类型,包括表格,成像,放射学,时间序列和奥米克数据.
• 确定用于合成数据生成的方法和编程语言的趋势.

主要方法:

• 在PubMed和Scopus数据库中的系统文献搜索.
• 合成数据生成方法的分类 (统计,概率,机器学习,深度学习).
• 分析用于实现的编程语言,重点是Python.

主要成果:

• 合成数据生成器被用于降低临床试验成本,增强人工智能对个性化医疗的预测能力,确保公平的治疗建议,并允许访问多式联络数据而不存在隐私风险.
• 深度学习方法占主导地位,在72.6%的研究中使用.
• Python是主要的编程语言,在75.3%的实现中使用.

结论:

• 合成数据生成是医疗保健中的一个有价值的工具,特别是在罕见疾病和个性化医疗方面.
• 基于深度学习的方法和Python实现是当前的趋势.
• 开源存储库被记录下来,以促进进一步的研究和加速采用.