合成数据生成是否有效地维持临床生物标志物? 在各种成像模式中调查扩散模型
Abdullah Hosseini1, Ahmed Serag1
1AI Innovation Lab, Weill Cornell Medicine-Qatar, Doha, Qatar.
Frontiers in artificial intelligence
|February 17, 2025
概括
最先进的扩散模型产生现实的合成医疗图像,保存重要的生物标志物. 这一突破解决了医疗保健,研究和教育领域的数据隐私和稀缺问题.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 生物医学数据科学 生物医学数据科学
背景情况:
- 医学成像对医疗保健至关重要,但数据共享受到隐私方面的限制.
- 人工智能为生成合成医疗数据提供解决方案,以克服这些局限性.
- 在合成数据中保存隐藏的医疗生物标志物仍然是一个挑战.
研究的目的:
- 为了评估Denoising扩散概率模型用于生成合成医疗图像的有效性.
- 评估人工智能生成数据集中关键医学生物标志物的保存情况.
- 探索放射学,眼科和病理学方面的应用.
主要方法:
- 采用了使用Swin变压器网络的Denoising扩散概率模型.
- 为放射学,眼科和病理学生成合成数据.
- 采用分类器来评估合成图像中的生物标记物保存.
主要成果:
- 扩散模型成功地保留了关键的医疗特征,如肺部标记和视网膜异常.
- 合成图像与真正的医疗数据非常相似.
- 分类器性能 (F1和AUC 0.8-0.99) 证实了下游任务的数据可靠性.
结论:
- 基于扩散的模型可以生成现实的合成医学图像,保存生物标志物.
- 合成数据在解决数据稀缺性和隐私问题方面具有重大潜力.
- 研究结果支持在临床实践,研究和教育中使用合成数据.


