基于GAN的新方法,用于生成合成医学表格数据
Rashid Nasimov1, Nigorakhon Nasimova2, Sanjar Mirzakhalilov2
1Artificial Intelligence, Tashkent State University of Economics, Tashkent 100066, Uzbekistan.
Bioengineering (Basel, Switzerland)
|January 8, 2025
概括
研究人员开发了一种新方法,从统计信息中创建合成医疗数据,解决隐私问题和数据访问限制. 这种方法使用修改后的生成对抗网络 (GAN) 进行保护隐私的合成数据生成.
科学领域:
- 计算生物学和生物信息学
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 对于保护隐私的合成医疗数据的需求日益增长.
- 获取真实医疗数据集的限制,用于培训生成模型.
- 目前的方法无法仅从统计输入中生成表格数据.
研究的目的:
- 从统计信息中生成表式合成医疗数据的新方法.
- 为了克服对真实医疗数据集的限制性访问的挑战.
- 仅使用统计属性来实现合成数据生成.
主要方法:
- 使用了经过修改的生成对抗网络 (GAN) 架构.
- 整合了自定义丢失功能,以提高生成的数据质量.
- 将统计数据转换为表格式数据集.
主要成果:
- 在评估中获得了"好"的相似性和"优秀"的实用性得分.
- 在训练机器学习算法方面表现出令人满意的性能.
- 生成的合成数据对实际数据无法访问的应用具有前景.
结论:
- 拟议的方法为从统计输入中生成合成医疗数据提供了可行的解决方案.
- 这种方法增强了医疗数据的隐私,并促进了机器学习模型的训练.
- 生成的合成数据虽然不能完全取代真实数据库,但适合于特定的研发需求.
