生成对抗网络在电子健康记录中的应用、评估指标与数据来源综述
机器学习
2024-01-12 v2
摘要
电子健康记录（EHRs）是促进临床研究与即时医疗应用的宝贵资产；然而，数据隐私担忧等诸多挑战阻碍了其最优利用。深度生成模型，尤其是生成对抗网络（GANs），通过学习底层数据分布来生成合成 EHR 数据，在取得优异性能的同时应对了这些挑战，展现出巨大前景。本工作旨在综述 GANs 在 EHRs 各类应用中的主要进展，并概述所提出的方法学。为此，我们从医疗应用与机器学习技术的角度，就源数据集以及生成合成数据集的保真度与隐私评估进行了综合探讨。我们还汇编了所综述工作使用的指标与数据集列表，可作为该领域未来研究的基准。最后，我们讨论了 EHRs 的 GANs 开发中的挑战并提出了推荐实践。希望本工作能激发医疗与机器学习交叉领域的新研究方向。
引用
@article{arxiv.2203.07018,
title = {A review of Generative Adversarial Networks for Electronic Health Records: applications, evaluation measures and data sources},
author = {Ghadeer Ghosheh and Jin Li and Tingting Zhu},
journal= {arXiv preprint arXiv:2203.07018},
year = {2024}
}