[논문 리뷰] CorGAN: Correlation-Capturing Convolutional Generative Adversarial Networks for Generating Synthetic Healthcare Records

Amirsina Torfi, Edward A. Fox|arXiv (Cornell University)|2020. 01. 25.

Generative Adversarial Networks and Image Synthesis인용 수 25

한 줄 요약

CorGAN은 전자 의료 기록(EHR) 내 기능 간 상관관계를 포착하기 위해 1D CNN과 순환 오토인코더를 활용하는 새로운 컨volutional 생성 적대적 네트워크이다. 이는 고해상도의 합성 이산형 및 연속형 EHR 데이터를 생성하며, 기존의 medGAN과 같은 방법들보다 후행 분류 작업에서 뛰어난 성능을 보이며, 구성원 추론 공격에 대해 강력한 개인정보 보호 기능을 제공한다.

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.

연구 동기 및 목표

• 연구에 사용하기 위해 실제 EHR 데이터를 사용할 때 발생하는 개인정보 유출 문제를 해결하기 위해 현실적으로 구현 가능한 합성 대체 데이터를 생성하기 위해.
• 의료 기능 간 局부 및 시간적 상관관계를 포착함으로써, 이전의 GAN 기반 EHR 합성 방법을 향상시키기 위해.
• CorGAN이 생성한 합성 데이터가 후행 기계학습 작업에서 실제 데이터와 유사한 성능을 보이는지 입증하기 위해.
• 다양한 공격자 지식 수준에서 구성원 추론 공격에 대한 모델의 개인정보 보호 강건성 평가하기 위해.
• 이산형 및 연속형 기능을 모두 지원하는 오픈소스이자 확장 가능한 합성 EHR 생성 프레임워크 제공하기 위해.

제안 방법

• CorGAN은 1D 컨volutional GAN과 순환 오토인코더(CA)를 결합하여 실제 EHR 데이터의 분포를 학습하고 합성 샘플을 재구성한다.
• 생성자는 임의의 노이즈 z를 입력으로 받아 연속형 잠재 표현을 생성하며, 이는 미분 가능한 디코딩 함수를 통해 이산형 EHR 기능으로 변환된다.
• 1D CNN은 EHR의 시간적 순서에서 인접한 의료 기능 간 국소적 상관관계를 모델링하기 위해 생성자와 판별자 양쪽에 사용된다.
• 모델은 최소-최대 적대적 손실을 통해 훈련되며, 판별자는 실제 EHR와 합성 EHR를 구분하고, 생성자는 이를 속이려는 목표를 가진다.
• 구성원 추론 공격 평가에 cosine 유사도를 사용하여 실제 기록과 합성 샘플 간의 유사도를 비교함으로써 개인정보 泄露 정도를 평가한다.
• 분류 성능 평가에는 AUROC와 AUPRC를, 개인정보 보호 평가에는 정밀도/재현율을 사용하여 MIMIC-III 및 UCI Epileptic Seizure Recognition 데이터셋에서 프레임워크를 평가한다.

실험 결과

연구 질문

• RQ1 1D CNN 기반 GAN 아키텍처가 MLP 기반 모델보다 EHR 데이터 내 기능 간 상관관계를 효과적으로 포착할 수 있는가?
• RQ2 CorGAN이 생성한 합성 데이터는 실제 EHR 데이터와 비교해 후행 분류 및 예측 작업에서 얼마나 잘 수행되는가?
• RQ3 공격자가 실제 환자 기록을 다양한 수의 수준으로 알고 있을 때, CorGAN이 구성원 추론 공격에 대해 얼마나 효과적으로 개인정보를 보호하는가?
• RQ4 합성 데이터의 양이 구성원 추론 공격의 정확도에 어떤 영향을 미치는가?
• RQ5 CorGAN은 시간적 및 기능 상관관계를 유지하면서 현실적으로 구현 가능한 합성 EHR를 생성할 수 있는가?

주요 결과

• CorGAN은 UCI Epileptic Seizure Recognition 데이터셋에서 AUROC 0.92 ± 0.012, AUPRC 0.41 ± 0.015의 성능을 기록하여 medGAN, VAE, DBM를 모두 능가했다.
• 1D CNN의 사용은 MLP 대비 상관관계 포착 능력 향상을 뚜렷이 보여주었으며, 이는 분류 작업에서의 뛰어난 성능으로 이어졌다.
• 알려진 실제 기록 수가 100에서 5,000으로 증가함에 따라 정밀도는 0.60에서 0.39로 감소하여, 더 많은 실제 데이터가 공개될수록 공격 성공률이 낮아지는 경향을 보였다.
• 알려진 실제 기록 수를 일정하게 유지하면서 합성 기록 수를 늘릴 경우(예: 100), 정밀도는 약 0.60에서 약 0.20으로 급격히 감소했고 재현율은 변화가 없었으며, 이는 공격의 신뢰성이 떨어졌음을 시사했다.
• 높은 양의 합성 데이터로 인해 공격자가 일부 실제 기록을 알고 있더라도 오해의 소지가 생겨 공격의 정확도가 떨어지는 등 강력한 개인정보 보호 기능을 입증했다.
• CorGAN은 실제 데이터의 통계적 및 시간적 특성을 유지하면서 현실적으로 신뢰할 수 있는 합성 EHR를 성공적으로 생성하였으며, 이는 후행 기계학습 작업에서 효과적으로 활용될 수 있었다.