[論文レビュー] Generating Multi-label Discrete Patient Records using Generative Adversarial Networks

Edward Choi, Siddharth Biswal+4 more|arXiv (Cornell University)|Mar 19, 2017

Machine Learning in Healthcare参考文献 42被引用数 341

ひとこと要約

medGAN はオートエンコーダーと GAN を組み合わせて、高次元で多ラベルの離散的 EHR 記録（バイナリおよびカウント変数）を生成します。ミニバッチ平均化を使用してモード崩壊を低減し、バッチ正規化とショートカット接続で訓練を改善し、実データに近い品質を達成し、プライバシーリスクを評価します。

ABSTRACT

Access to electronic health record (EHR) data has motivated computational advances in medical research. However, various concerns, particularly over privacy, can limit access to and collaborative use of EHR data. Sharing synthetic EHR data could mitigate risk. In this paper, we propose a new approach, medical Generative Adversarial Network (medGAN), to generate realistic synthetic patient records. Based on input real patient records, medGAN can generate high-dimensional discrete variables (e.g., binary and count features) via a combination of an autoencoder and generative adversarial networks. We also propose minibatch averaging to efficiently avoid mode collapse, and increase the learning efficiency with batch normalization and shortcut connections. To demonstrate feasibility, we showed that medGAN generates synthetic patient records that achieve comparable performance to real data on many experiments including distribution statistics, predictive modeling tasks and a medical expert review. We also empirically observe a limited privacy risk in both identity and attribute disclosure using medGAN.

研究の動機と目的

• 研究を可能にしつつプライバシーリスクを軽減するための合成 EHR データ生成を動機づける。
• EHR から高次元の離散変数（バイナリおよびカウント）を生成する。
• オートエンコーダを活用して GAN が離散レコードをモデル化し、合成出力へデコードできるようにする。
• ミニバッチ平均化とアーキテクチャの強化により、離散・多ラベルデータの GAN 学習安定性を向上させる。
• 合成データの現実性、予測タスクへの有用性、およびプライバシーリスクを評価する。）

提案手法

• EHR データを離散カウントまたはバイナリの固定サイズベクトルとして定義する。
• 離散変数の顕著な特徴を学習し、離散出力へデコードするためにオートエンコーダを使用する。
• 生成器の出力を事前学習済みのデコーダを通して、合成離散レコードを生成する GAN を訓練する。
• 識別器は明示的な丸めを行うことなく、実レコードと合成出力を区別する。
• モード崩壊を緩和するために識別器にミニバッチ統計を曝露するよう、ミニバッチ平均化を導入する。
• 訓練中に D と G のバランスを取るため、生成器にバッチ正規化とショートカット接続を強化する。

実験結果

リサーチクエスチョン

• RQ1 medGAN は実データと比較して、高次元の離散 EHR 特徴（バイナリおよびカウント）の分布を再現できるか？
• RQ2 medGAN は特徴間の関係を保持し、合成レコードを用いて正確な予測モデリングを可能にするか？
• RQ3 ミニバッチ平均化がモード崩壊とデータ現実性に及ぼす実践的影響は何か？
• RQ4 臨床専門家には生成レコードはどれくらい現実的に見えるか？
• RQ5 medGAN 生成データに関連するプライバシーリスク（存在開示および属性開示）はどうか？

主な発見

• medGAN およびその強化版は、離散 EHR データに対して現実分布と予測タスクの性能に近い結果を達成する。
• ミニバッチ平均化は次元別の確率と予測の現実性を大幅に向上させる一方、ミニバッチ識別は本設定で明確な利点を示さない。
• 生成器のバッチ正規化とショートカット接続は学習効率とデータ現実性を向上させる。
• 医療専門家のレビューは、合成カウントデータが実データとほぼ区別不能であることを示すが、領域特有の問題による外れ値が一部ある。
• 評価されたシナリオ下での存在開示および属性開示リスクは限定的であることを示し、合成生成のプライバシー上の利益を示唆する。