产生合成临床数据集的大型语言模型:与现实世界外科手术周围数据进行可行性和比较分析
Austin A Barr1, Joshua Quan1, Eddie Guo1
1Cumming School of Medicine, University of Calgary, Calgary, AB, Canada.
Frontiers in artificial intelligence
|February 20, 2025
概括
像GPT-4o这样的大型语言模型可以使用零射击提示生成现实的合成临床数据. 这些合成数据有效地复制了现实世界周围手术数据集的统计特性,提高了研究数据的可访问性.
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:
- 临床数据对于医学研究和机器学习 (ML) 至关重要,但面临隐私和访问挑战.
- 合成数据为更广泛的数据访问提供了一种保护隐私的替代方案.
- 大型语言模型 (LLM) 提供了一个新的机会,可以在减少资源需求的情况下生成合成数据.
研究的目的:
- 评估使用OpenAI的GPT-4o与零射击提示生成现实的表格临床数据的可行性.
- 评估LLM生成的合成数据与现实世界周围操作数据集 (VitalDB) 的忠实性.
主要方法:
- 第一个阶段:GPT-4o从定性描述中生成合成数据;对错误和可信性进行评估.
- 第二阶段:GPT-4o使用VitalDB的描述性统计数据生成数据.
- 准确性评估包括两个样本t测试,比例测试和95%置信区间 (CI) 重叠分析.
主要成果:
- 在第一阶段,GPT-4o成功生成了一个完整的,可信的数据集,包含了6166个案例文件.
- 与VitalDB.DB.相比,二期合成数据显示出高保真性,在12/13个参数中具有统计相似性.
- 在100%的分类/二进制和85.71%的连续参数中没有发现显著差异;在连续参数中,85.71%的CI重叠.
结论:
- 使用GPT-4o的零射击提示可以产生现实的合成表格临床数据.
- 法律法规提供了一种新,可访问的合成数据生成方法,克服了数据访问和专业知识的障碍.
- 需要进一步的研究来提高忠实度,并探索用于数据增强和ML模型培训的LLM.
