基于 GAN 的生成建模在皮肤学应用中的比较研究

缺乏足够大的开放医学数据库是 AI 驱动医疗面临的最大挑战之一。使用生成对抗网络（GANs）创建的合成数据似乎是缓解隐私政策问题的良好方案。另一类解决方案是在多个医疗机构间不交换本地数据样本的去中心化协议。本文中，我们探索了集中与去中心化设定下的无条件与条件 GANs。集中设定模拟了基于大规模但高度不平衡皮肤病变数据集的研究，而去中心化设定模拟了更具现实性的三家机构医院场景。我们从保真度、多样性、训练速度以及基于生成合成数据训练的分类器预测能力方面评估模型性能。此外，我们通过潜空间与嵌入投影的探索提供可解释性，聚焦于全局与局部解释。真实图像与其潜空间投影间计算的距离证明了训练 GANs 的真实性与泛化性，而这正是此类应用的主要关注点之一。所开展研究的开源代码公开于 \url{https://github.com/aidotse/stylegan2-ada-pytorch}。