使用生成对抗网络生成多标签离散患者记录
机器学习
2018-01-15 v3 神经与进化计算
摘要
电子健康记录（EHR）数据的获取推动了医学研究的计算进展。然而，各种担忧，特别是隐私问题，可能限制对EHR数据的访问和协作使用。共享合成EHR数据可以降低风险。在本文中，我们提出了一种新方法，即医学生成对抗网络（medGAN），用于生成逼真的合成患者记录。基于输入的真实患者记录，medGAN可以通过自编码器和生成对抗网络的组合生成高维离散变量（例如，二值和计数特征）。我们还提出了小批量平均法以有效避免模式坍塌，并通过批量归一化和捷径连接提高学习效率。为证明可行性，我们展示了medGAN生成的合成患者记录在包括分布统计、预测建模任务和医学专家评审在内的许多实验中取得了与真实数据相当的性能。我们还通过实验观察到使用medGAN在身份和属性披露方面的隐私风险有限。
引用
@article{arxiv.1703.06490,
title = {Generating Multi-label Discrete Patient Records using Generative Adversarial Networks},
author = {Edward Choi and Siddharth Biswal and Bradley Malin and Jon Duke and Walter F. Stewart and Jimeng Sun},
journal= {arXiv preprint arXiv:1703.06490},
year = {2018}
}
备注
Accepted at Machine Learning in Health Care (MLHC) 2017