使用本体学增强的生成对抗网络生成未见的疾病患者数据
Chang Sun1,2, Michel Dumontier3,4
1Institute of Data Science, Faculty of Science and Engineering, Maastricht University, Maastricht, the Netherlands. chang.sun@maastrichtuniversity.nl.
NPJ digital medicine
|January 3, 2025
概括
本研究介绍了Onto-CGAN,这是一种用于生成合成健康数据的新框架,包括原始数据集中没有的罕见疾病. 这种方法通过改进机器学习模型培训来增强AI模型开发和数据隐私.
科学领域:
- 医疗信息学 医疗信息学
- 人工智能的人工智能
- 生物信息学是一种生物信息学.
背景情况:
- 合成健康数据生成对研究,人工智能开发和数据隐私至关重要.
- 生成对抗网络 (GAN) 受到训练数据的限制,与罕见或未见的疾病作斗争.
研究的目的:
- 提出Onto-CGAN,一个新的生成框架,将疾病本体学与GAN集成在一起.
- 为了生成现实的合成健康数据,用于看不见的疾病.
- 为解决罕见病研究数据短缺的问题.
主要方法:
- 开发了Onto-CGAN,这是一个结合疾病本体学和GANs的框架.
- 使用可变分布,相关系数和机器学习模型性能来评估生成的数据质量.
主要成果:
- 在Onto-CGAN上,成功地产生了与真实数据相似的统计属性的看不见的疾病.
- 该框架显著改善了机器学习模型的训练.
- 对于产生的看不见的疾病,证明了与真实数据相比较的统计特征.
结论:
- 在Onto-CGAN有效地生成罕见和看不见的疾病的合成数据.
- 这种方法增强了数据增强,假设生成和临床前模型验证.
- 解决了传统GAN在健康数据合成中的局限性.
