[論文レビュー] CorGAN: Correlation-Capturing Convolutional Generative Adversarial Networks for Generating Synthetic Healthcare Records

Amirsina Torfi, Edward A. Fox|arXiv (Cornell University)|Jan 25, 2020

Generative Adversarial Networks and Image Synthesis被引用数 25

ひとこと要約

CorGAN は、1次元畳み込みニューラルネットワーク（1D CNN）と畳み込みオートエンコーダーを活用して電子歴史記録（EHR）内の特徴間相関を捉える、新しい畳み込み生成対抗ネットワーク（GAN）である。この手法は、高精度な合成離散的および連続的 EHR データを生成し、従来の手法（例：medGAN）に比べて下流分類タスクで優れた性能を示すとともに、メンバーインファレンス攻撃に対して強固なプライバシー保護を実現する。

ABSTRACT

Deep learning models have demonstrated high-quality performance in areas such as image classification and speech processing. However, creating a deep learning model using electronic health record (EHR) data, requires addressing particular privacy challenges that are unique to researchers in this domain. This matter focuses attention on generating realistic synthetic data while ensuring privacy. In this paper, we propose a novel framework called correlation-capturing Generative Adversarial Network (CorGAN), to generate synthetic healthcare records. In CorGAN we utilize Convolutional Neural Networks to capture the correlations between adjacent medical features in the data representation space by combining Convolutional Generative Adversarial Networks and Convolutional Autoencoders. To demonstrate the model fidelity, we show that CorGAN generates synthetic data with performance similar to that of real data in various Machine Learning settings such as classification and prediction. We also give a privacy assessment and report on statistical analysis regarding realistic characteristics of the synthetic data. The software of this work is open-source and is available at: https://github.com/astorfi/cor-gan.

研究の動機と目的

• 研究における本物の EHR データの利用に伴うプライバシー課題に対処するため、現実的で代替可能な合成データを生成すること。
• 医療特徴間の局所的および時間的相関を捉えることで、従来の GAN ベースの EHR 生成手法を改善すること。
• CorGAN が生成する合成データが、下流の機械学習タスクにおいて本物のデータと同等に機能することを実証すること。
• 攻撃者が異なる数の本物の患者記録を把握している状況下で、メンバーインファレンス攻撃に対するモデルのプライバシーの強度を評価すること。
• 離散的および連続的特徴を両方サポートする、オープンソースでスケーラブルな合成 EHR 生成フレームワークを提供すること。

提案手法

• CorGAN は、1次元畳み込み GAN と畳み込みオートエンコーダー（CA）を組み合わせ、本物の EHR データの分布を学習し、合成サンプルを再構築する。
• 生成器はランダムノイズ z を入力とし、連続的な潜在表現を生成し、その後、微分可能関数を用いて離散的 EHR 特徴に変換する。
• 1D CNN は、EHR の時間的順序における隣接する医療特徴間の局所的相関をモデル化するために、生成器および識別器の両方で使用される。
• モデルはミニマックスの敵対的損失に基づいて訓練され、識別器は本物の EHR と合成された EHR を区別し、生成器はそれを欺くことを目的とする。
• メンバーインファレンス攻撃の評価にはコサイン類似度が用いられ、本物の記録と合成サンプルを比較してプライバシー漏洩の程度を評価する。
• 分類性能の評価には MIMIC-III および UCI Epileptic Seizure Recognition データセットを用い、AUROC および AUPRC を指標とする。プライバシー評価には精度および再現率を用いる。

実験結果

リサーチクエスチョン

• RQ1 1次元 CNN を用いた GAN アーキテクチャは、MLP ベースのモデルに比べて、EHR データ内の特徴間相関を効果的に捉えることができるか？
• RQ2 CorGAN が生成する合成データは、本物の EHR データと比較して、下流の分類および予測タスクでどの程度の性能を示すか？
• RQ3 攻撃者が把握できる本物の患者記録の数が変化する状況下で、CorGAN はメンバーインファレンス攻撃に対してどの程度のプライバシー保護を実現するか？
• RQ4 合成データの量が、メンバーインファレンス攻撃の精度にどのように影響するか？
• RQ5 CorGAN は、時間的および特徴相関構造を保持した現実的な合成 EHR を生成できるか？

主な発見

• UCI Epileptic Seizure Recognition データセットにおいて、CorGAN は AUROC 0.92 ± 0.012、AUPRC 0.41 ± 0.015 を達成し、medGAN や VAE、DBM を上回った。
• 1D CNN の使用により、MLP に比べて相関の捉え方が顕著に向上し、分類タスクでの優れた性能が裏付けられた。
• 既知の本物記録数が 100 から 5,000 に増加した際、精度は 0.60 から 0.39 に低下し、攻撃の成功率が低下した。
• 既知の本物記録数を固定（例：100）に保ちながら合成記録数を増やすと、精度は約 0.60 から約 0.20 に著しく低下したが、再現率は変化しなかった。これは攻撃の信頼性が低下したことを示唆する。
• 高い合成データ量のおかげで、攻撃者が本物記録の一部を把握していても、敵は誤った結論を導きやすくなり、モデルは強固なプライバシー保護を示した。
• CorGAN は、本物のデータの統計的および時間的特性を保持した現実的な合成 EHR を効果的に生成でき、下流の機械学習タスクへの応用に適していた。