生成式AI模型用于合成医学文本、时间序列和纵向数据的综述
机器学习
2024-11-20 v1 计算与语言
摘要
本文展示了一项新颖的范围综述的结果，该综述关注用于生成三种不同类型合成健康记录（SHR）的实用模型：医学文本、时间序列和纵向数据。综述的创新方面，包括所综述研究的研究目标、数据模态和研究方法，揭示了该主题在数字医学背景下的重要性和范围。总共有52篇出版物符合纳入标准，分别涉及生成医学时间序列（22篇）、纵向数据（17篇）和医学文本（13篇）。研究发现，隐私保护是所研究论文的主要研究目标，而类别不平衡、数据稀缺和数据插补是其他目标。基于对抗网络的模型、概率模型和大语言模型分别在生成合成纵向数据、时间序列和医学文本方面表现出优越性。寻找一个可靠的性能度量来量化SHR重识别风险是该主题的主要研究空白。
引用
@article{arxiv.2411.12274,
title = {A Review on Generative AI Models for Synthetic Medical Text, Time Series, and Longitudinal Data},
author = {Mohammad Loni and Fatemeh Poursalim and Mehdi Asadi and Arash Gharehbaghi},
journal= {arXiv preprint arXiv:2411.12274},
year = {2024}
}
备注
27 pages, 3 figures