一种用于导航和分类医疗应用中合成数据的新颖分类法

数据驱动技术提高了医疗服务的效率、可靠性和有效性，但随之而来的是对数据日益增长的需求，而由于医疗背景下数据共享的隐私相关限制，这颇具挑战性。合成数据作为一种潜在的解决方案，近来受到欢迎，但在当前纷繁的研究中，其潜力可能难以被全面把握。本文提出了一种新颖的医疗合成数据分类法，以从三个主要类别来导航这一领域。数据比例涵盖了数据集中合成数据的不同占比及其相关的利弊。数据模态指代适合合成的不同数据格式及其特定挑战。数据转换涉及利用合成数据改善数据集的特定方面，如其效用或隐私。我们的分类法旨在帮助医疗领域对合成数据感兴趣的研究人员掌握合成数据可能实现的数据集类型、数据模态和转换，以及这些类别之间的挑战与重叠所在。