基于条件 GAN 的多标签临床时间序列生成
摘要
近年来，深度学习已成功应用于电子健康记录（EHRs）相关的广泛任务中，如表征学习和临床事件预测。然而，由于隐私限制，对 EHR 的有限访问成为深度学习研究的瓶颈。为缓解这些担忧，生成对抗网络（GANs）已成功用于生成 EHR 数据。但在高质量 EHR 生成方面仍存在挑战，包括生成时间序列 EHR 数据以及处理不平衡的罕见疾病。本工作中，我们提出多标签时间序列 GAN（MTGAN）以生成 EHR 并同时提升罕见疾病生成的质量。MTGAN 的生成器使用带平滑条件矩阵的门控循环单元（GRU）来生成序列和罕见疾病。判别器利用 Wasserstein 距离，通过同时考虑数据和时间特征来对真实样本与合成样本打分。我们还提出一种训练策略以计算真实数据的时间特征并稳定 GAN 训练。此外，我们设计了多种统计度量和预测任务来评估生成的数据。实验结果证明了合成数据的质量以及 MTGAN 在生成真实序列 EHR 数据（尤其是罕见疾病）方面的有效性。
引用
@article{arxiv.2204.04797,
title = {Multi-Label Clinical Time-Series Generation via Conditional GAN},
author = {Chang Lu and Chandan K. Reddy and Ping Wang and Dong Nie and Yue Ning},
journal= {arXiv preprint arXiv:2204.04797},
year = {2023}
}
备注
\c{opyright}2023 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works