[论文解读] Synthetic Patient Generation: A Deep Learning Approach Using Variational Autoencoders

Ally Salim|arXiv (Cornell University)|Aug 20, 2018

Machine Learning in Healthcare参考文献 2被引用 8

一句话总结

本文提出一种基于变分自编码器（VAEs）的深度学习方法，通过学习诊断条件下的患者特征潜在分布，生成合成患者记录。在真实患者数据上训练后，模型可从学习到的潜在空间采样，生成新颖且逼真的患者记录，从而在医疗机器学习应用中实现数据增强和模式发现。

ABSTRACT

Artificial Intelligence in healthcare is a new and exciting frontier and the possibilities are endless. With deep learning approaches beating human performances in many areas, the logical next step is to attempt their application in the health space. For these and other Machine Learning approaches to produce good results and have their potential realized, the need for, and importance of, large amounts of accurate data is second to none. This is a challenge faced by many industries and more so in the healthcare space. We present an approach of using Variational Autoencoders (VAE's) as an approach to generating more data for training deeper networks, as well as uncovering underlying patterns in diagnoses and the patients suffering from them. By training a VAE, on available data, it was able to learn the latent distribution of the patient features given the diagnosis. It is then possible, after training, to sample from the learnt latent distribution to generate new accurate patient records given the patient diagnosis.

研究动机与目标

• 解决在训练深度学习模型时医疗数据有限且敏感的关键挑战。
• 开发一种生成合成但逼真患者记录的方法，以保留临床模式和诊断信息。
• 利用生成建模技术扩充训练数据，以提升医疗AI应用的性能。
• 通过学习真实电子健康记录数据，揭示患者特征的潜在分布。
• 为模型开发与测试提供一种避免直接使用真实患者数据的隐私保护替代方案。

提出的方法

• 作者采用变分自编码器（VAE）架构，学习以诊断标签为条件的患者特征的概率潜在表示。
• VAE在真实电子健康记录（EHR）数据上进行训练，将患者特征编码到连续潜在空间，同时保留诊断信息。
• 推理阶段，模型从学习到的潜在分布采样，根据特定诊断生成新的患者记录。
• 模型使用重参数化技巧实现可微采样，支持通过反向传播进行端到端训练。
• 解码器组件从潜在码重建患者特征，确保生成样本具有临床合理性。
• 该方法将VAE与诊断条件结合，实现对特定疾病患者记录的可控生成。

实验结果

研究问题

• RQ1 VAE能否有效从真实EHR数据中学习并生成逼真的合成患者记录？
• RQ2 生成的患者记录在多大程度上保留了真实患者数据的潜在统计模式？
• RQ3 该模型在特定诊断条件下，能否生成多样化且合理的患者记录？
• RQ4 合成数据能否提升医疗机器学习任务中下游模型的性能？
• RQ5 该方法是否通过避免直接使用真实患者记录来维护患者隐私？

主要发现

• VAE成功学习了以诊断为条件的患者特征潜在分布，实现了逼真合成患者记录的生成。
• 生成的患者记录表现出与真实数据在多种诊断下一致的合理特征分布。
• 通过从潜在空间采样，模型展示了生成多样化患者记录的能力，表明其在数据生成方面具有鲁棒性。
• 该方法提供了一种隐私保护的数据增强方式，减少了对真实患者数据的依赖。
• 结果表明，基于VAE的合成数据生成可支持医疗AI应用中更深网络的训练。
• 该方法通过学习到的潜在表示，实现了对患者数据中潜在模式的发现。