[論文レビュー] Synthetic Data in Healthcare

Daniel McDuff, Theodore Curran+1 more|arXiv (Cornell University)|Apr 6, 2023

demographic modeling and climate adaptation被引用数 16

ひとこと要約

本論文は、合成データがどのように生成されるか（物理モデル、統計モデル、ハイブリッドモデル）、医療分野での活用、プライバシーと公平性への利点、そしてそれらがもたらすリスクと課題を調査する。

ABSTRACT

Synthetic data are becoming a critical tool for building artificially intelligent systems. Simulators provide a way of generating data systematically and at scale. These data can then be used either exclusively, or in conjunction with real data, for training and testing systems. Synthetic data are particularly attractive in cases where the availability of ``real'' training examples might be a bottleneck. While the volume of data in healthcare is growing exponentially, creating datasets for novel tasks and/or that reflect a diverse set of conditions and causal relationships is not trivial. Furthermore, these data are highly sensitive and often patient specific. Recent research has begun to illustrate the potential for synthetic data in many areas of medicine, but no systematic review of the literature exists. In this paper, we present the cases for physical and statistical simulations for creating data and the proposed applications in healthcare and medicine. We discuss that while synthetics can promote privacy, equity, safety and continual and causal learning, they also run the risk of introducing flaws, blind spots and propagating or exaggerating biases.

研究の動機と目的

• 医療におけるプライバシー、共有の障壁、データ不足に対処するため、合成データの利用を促進する。
• 物理的、統計的、およびハイブリッドなデータ生成方法を特徴づけ、それらの医療データへの適用可能性を整理する。
• sim2real転送の概念（ドメインランダマイゼーション、ドメイン適応、微分可能シミュレーション）を論じ、それらが医療タスクにどのように関連するかを考察する。
• 医療における合成データの潜在的な利点（プライバシー、公平性、安全性、継続的学習）とリスク（バイアス、欠陥、不確定要素）を強調する。

提案手法

• 合成データ生成を物理モデル、統計モデル、ハイブリッドアプローチに分類する。
• 合成データと実データ間のドメインギャップを縮小するsim2real手法を説明する。
• シミュレータの忠実度を最適化するための微分可能シミュレーションの利点を論じる。
• 構造化EHR、自然言語、生理信号、医用画像など、さまざまなモダリティでの合成データの利用を要約する。

実験結果

リサーチクエスチョン

• RQ1 医療データの合成生成における主な手法とそれらのトレードオフは何か？
• RQ2 異なる医療モダリティやタスクに対して、合成データはどのように適用できるか？
• RQ3 医療での合成データ使用の利点とリスク（プライバシー、平等性、安全性の懸念を含む）は何か？
• RQ4 医療応用におけるsim2realギャップを埋める効果的な戦略は何か？

主な発見

• 合成データは実データで訓練したモデルと同等、あるいは場合によっては実データと組み合わせた場合に実データモデルを上回ることがある。
• 合成データはプライバシーを改善し、データ共有を可能にし、多様な表現型や希少イベントの生成を可能にすることで公平性を支援できる。
• Sim2real戦略（ドメインランダマイゼーション、ドメイン適応、微分可能シミュレーション）は、医療現場において合成データから実データへモデルを一般化するのを支援する。
• 合成データは継続的学習や迅速なモデル更新を支援し、患者リスクなしに安全性テストを容易にできるが、バイアスや未認識のアーティファクトのリスクを伴う。
• 文献は、心臓病学、皮膚科、画像診断、眼科学、感染症などで、統計的および物理的/ハイブリッドのシミュレータを用いた成功した応用を示している。