面向可信人工智能的非影像医学数据合成：综述
机器学习
2022-09-21 v1 人工智能
计算机视觉与模式识别
摘要
数据质量是医疗领域可信人工智能（AI）发展的关键因素。大量具有受控混杂因素的精心整理数据集，有助于提升下游 AI 算法的准确性、鲁棒性与隐私性。然而，高质量数据集的获取受限于数据采集的技术难度，且医疗数据的大规模共享受到严格伦理限制而受阻。数据合成算法能够生成与真实临床数据分布相似的数据，可作为解决可信 AI 开发过程中高质量数据稀缺的潜在方案。然而，最先进的数据合成算法，尤其是深度学习算法，更多关注影像数据，而忽视了非影像医疗数据（包括临床测量值、医学信号与波形、电子健康记录（EHRs））的合成。因此，本文将对非影像医学数据（特别是此类数据）的合成算法进行综述，旨在为该领域的可信 AI 提供支持。这篇教程式综述论文将从算法、评估、局限性与未来研究方向等方面，对非影像医学数据合成给出全面阐述。
引用
@article{arxiv.2209.09239,
title = {Non-Imaging Medical Data Synthesis for Trustworthy AI: A Comprehensive Survey},
author = {Xiaodan Xing and Huanjun Wu and Lichao Wang and Iain Stenson and May Yong and Javier Del Ser and Simon Walsh and Guang Yang},
journal= {arXiv preprint arXiv:2209.09239},
year = {2022}
}
备注
35 pages, Submitted to ACM Computing Surveys