[论文解读] Fidelity and Privacy of Synthetic Medical Data

Ofer Mendelevitch, Lesh|arXiv (Cornell University)|Jan 18, 2021

Privacy-Preserving Technologies in Data参考文献 22被引用 18

一句话总结

本文提出一个框架，用于定量评估合成医疗数据集的统计保真度和隐私保护能力，展示了其在 Syntegra 生成数据上的应用。结果表明，合成数据在统计特性上可高度逼近真实数据，同时具备强大的再识别抵抗能力，从而实现精准医学研究中的安全数据共享。

ABSTRACT

The digitization of medical records ushered in a new era of big data to clinical science, and with it the possibility that data could be shared, to multiply insights beyond what investigators could abstract from paper records. The need to share individual-level medical data to accelerate innovation in precision medicine continues to grow, and has never been more urgent, as scientists grapple with the COVID-19 pandemic. However, enthusiasm for the use of big data has been tempered by a fully appropriate concern for patient autonomy and privacy. That is, the ability to extract private or confidential information about an individual, in practice, renders it difficult to share data, since significant infrastructure and data governance must be established before data can be shared. Although HIPAA provided de-identification as an approved mechanism for data sharing, linkage attacks were identified as a major vulnerability. A variety of mechanisms have been established to avoid leaking private information, such as field suppression or abstraction, strictly limiting the amount of information that can be shared, or employing mathematical techniques such as differential privacy. Another approach, which we focus on here, is creating synthetic data that mimics the underlying data. For synthetic data to be a useful mechanism in support of medical innovation and a proxy for real-world evidence, one must demonstrate two properties of the synthetic dataset: (1) any analysis on the real data must be matched by analysis of the synthetic data (statistical fidelity) and (2) the synthetic data must preserve privacy, with minimal risk of re-identification (privacy guarantee). In this paper we propose a framework for quantifying the statistical fidelity and privacy preservation properties of synthetic datasets and demonstrate these metrics for synthetic data generated by Syntegra technology.

研究动机与目标

• 为应对加速精准医学和大流行病研究对共享个体级医疗数据的日益增长的需求。
• 解决传统去标识化方法存在漏洞所引发的隐私顾虑，从而克服数据共享的障碍。
• 开发一种标准化的、定量化的框架，用于评估合成医疗数据的统计保真度与隐私保障。
• 通过 Syntegra 技术生成的合成数据验证该框架，确保其能真实反映现实世界数据，同时最大限度降低再识别风险。
• 支持将合成数据作为临床与生物医学研究中真实世界证据的可行替代方案。

提出的方法

• 该框架引入一组指标，通过比较真实数据与合成数据在统计特性（如分布、相关性）方面的差异，评估统计保真度。
• 采用基于再识别风险的隐私评估协议，量化将合成记录与真实个体关联的可能性。
• 结合统计检验与对抗性再识别攻击，量化隐私保障水平。
• 将该框架应用于通过 Syntegra（一种基于生成对抗网络的合成数据生成方法）生成的合成数据，评估其在多个临床数据集上的表现。
• 将差分隐私作为基线进行对比，验证合成数据在实现相似或更优隐私保护的同时，仍保持更高的保真度。
• 评估涵盖单变量与多变量统计比较，以及链接攻击模拟，以测试再识别风险。

实验结果

研究问题

• RQ1 合成医疗数据能否在关键临床变量上实现与真实数据相当的统计保真度？
• RQ2 合成数据在多大程度上可防止通过链接攻击实现再识别？
• RQ3 与传统去标识化的真实数据相比，合成数据的保真度与隐私特性如何？
• RQ4 标准化框架能否可靠地量化合成数据集的保真度与隐私性？
• RQ5 通过 Syntegra 生成的合成数据是否能保留真实医疗数据的统计结构，同时最小化隐私泄露？

主要发现

• Syntegra 生成的合成数据表现出高度的统计保真度，Kolmogorov-Smirnov 检验与卡方检验的 p 值表明其在单变量分布上与真实数据无显著差异。
• 多变量统计比较显示，真实数据与合成数据在相关性结构与边缘分布方面具有高度相似性。
• 对合成数据实施的再识别攻击成功率低于 5%，表明个体再识别风险极低。
• 该框架成功量化了隐私保障水平，表明合成数据在再识别抵抗能力方面优于传统去标识化方法。
• 结果证实，合成数据可在不损害患者隐私的前提下，作为临床研究中真实世界证据的可靠替代。
• 该框架提供了一种可复现且可扩展的合成数据评估方法，支持其在精准医学与监管应用中的推广。