論文の概要: EHRDiff: Exploring Realistic EHR Synthesis with Diffusion Models

• arxiv url: http://arxiv.org/abs/2303.05656v1
• Date: Fri, 10 Mar 2023 02:15:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-13 16:26:18.815027
• Title: EHRDiff: Exploring Realistic EHR Synthesis with Diffusion Models
• Title（参考訳）: EHRDiff:拡散モデルによるリアルなEHR合成の探索
• Authors: Hongyi Yuan, Songchi Zhou, Sheng Yu
• Abstract要約: EHRには膨大な生物医学知識が含まれており、医療システムを開発するための豊富な資源である。 プライバシー上の懸念から、研究者がアクセス可能な高品質なEHRデータは限られている。 近年, 現実的なEHRデータを合成するための生成的モデリング手法が研究されている。
• 参考スコア（独自算出の注目度）: 0.3356296640178535
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electronic health records (EHR) contain vast biomedical knowledge and are rich resources for developing precise medicine systems. However, due to privacy concerns, there are limited high-quality EHR data accessible to researchers hence hindering the advancement of methodologies. Recent research has explored using generative modelling methods to synthesize realistic EHR data, and most proposed methods are based on the generative adversarial network (GAN) and its variants for EHR synthesis. Although GAN-style methods achieved state-of-the-art performance in generating high-quality EHR data, such methods are hard to train and prone to mode collapse. Diffusion models are recently proposed generative modelling methods and set cutting-edge performance in image generation. The performance of diffusion models in realistic EHR synthesis is rarely explored. In this work, we explore whether the superior performance of diffusion models can translate to the domain of EHR synthesis and propose a novel EHR synthesis method named EHRDiff. Through comprehensive experiments, EHRDiff achieves new state-of-the-art performance for the quality of synthetic EHR data and can better protect private information in real training EHRs in the meanwhile.
• Abstract（参考訳）: 電子健康記録(EHR)は、膨大な生物医学知識を含み、正確な医療システムを開発するための豊富な資源である。 しかし、プライバシー上の懸念から、研究者がアクセス可能な高品質なEHRデータに制限があるため、方法論の進歩を妨げている。 近年, 生成モデルを用いて現実的なEHRデータを合成する方法が研究されており, 提案手法はGAN(Generative Adversarial Network)とその変種に基づく。 GANスタイルの手法は高品質なEHRデータを生成する際に最先端の性能を達成したが、訓練は困難であり、モード崩壊の傾向にある。 拡散モデルは最近,画像生成における生成的モデリング手法と最先端性能の設定を提案している。 現実的なEHR合成における拡散モデルの性能はまれである。 本研究では, 拡散モデルの優れた性能が EHR 合成の領域に変換できるかどうかを考察し, EHRDiff という新しい EHR 合成法を提案する。 総合的な実験を通じて、EHRDiffは、合成EHRデータの品質のための新しい最先端のパフォーマンスを実現し、一方で実際の訓練EHRにおけるプライベート情報をよりよく保護することができる。

関連論文リスト

• Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
  EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。 時間間隔推定を組み込んだ拡散モデルである。 我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
  論文  参考訳（メタデータ） (2024-06-20T02:20:23Z)
• Guided Discrete Diffusion for Electronic Health Record Generation [47.129056768385084]
  EHRは、病気の進行予測、臨床試験設計、健康経済学と結果研究など、多くの計算医学の応用を可能にする中心的なデータソースである。 幅広いユーザビリティにもかかわらず、その繊細な性質はプライバシーと秘密の懸念を高め、潜在的なユースケースを制限する。 これらの課題に対処するために,人工的かつ現実的なEHRを合成するための生成モデルの利用について検討する。
  論文  参考訳（メタデータ） (2024-04-18T16:50:46Z)
• Recent Advances in Predictive Modeling with Electronic Health Records [71.19967863320647]
  EHRデータを予測モデリングに利用すると、その特徴からいくつかの課題が生じる。 深層学習は、医療を含む様々な応用においてその優位性を示している。
  論文  参考訳（メタデータ） (2024-02-02T00:31:01Z)
• Automated Fusion of Multimodal Electronic Health Records for Better Medical Predictions [48.0590120095748]
  本稿では,多様な入力モダリティと融合戦略を符号化する最適なモデルアーキテクチャを自動検索する,AutoFMという新しいニューラルネットワーク探索フレームワークを提案する。 我々は実世界のマルチモーダルEHRデータと予測タスクについて徹底的な実験を行い、その結果、我々のフレームワークが既存の最先端手法よりも大幅な性能向上を実現していることを示す。
  論文  参考訳（メタデータ） (2024-01-20T15:14:14Z)
• Reliable Generation of Privacy-preserving Synthetic Electronic Health Record Time Series via Diffusion Models [4.240899165468488]
  電子健康記録(Electronic Health Records, EHRs)は、患者レベルの豊富なデータソースであり、医療データ分析に有用なリソースを提供する。 しかしながら、プライバシー上の懸念はしばしばEHRへのアクセスを制限し、下流の分析を妨げる。 本研究では,現実的かつプライバシに保護された合成ERH時系列を効率的に生成することで,これらの課題を克服することを目的とする。
  論文  参考訳（メタデータ） (2023-10-23T18:56:01Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• MedDiff: Generating Electronic Health Records using Accelerated Denoising Diffusion Model [5.677138915301383]
  電子健康記録への最初の応用である拡散モデルに基づく新しい生成モデルを提案する。 本モデルでは,ラベル情報を保存するために,クラス条件サンプリングを行う機構を提案する。
  論文  参考訳（メタデータ） (2023-02-08T22:06:34Z)
• Generating Synthetic Mixed-type Longitudinal Electronic Health Records for Artificial Intelligent Applications [9.374416143268892]
  EHR-M-GAN (Generative Adversarial Network, GAN) は、EHRデータを合成する。 EHR-M-GANは,141,488名の患者を対象とし,3つの公用集中治療単位データベース上で検証した。
  論文  参考訳（メタデータ） (2021-12-22T17:17:34Z)
• Deceive D: Adaptive Pseudo Augmentation for GAN Training with Limited Data [125.7135706352493]
  GAN(Generative Adversarial Network)は、高忠実度画像を合成するために、訓練に十分なデータを必要とする。 近年の研究では、差別者の過度な適合により、限られたデータでGANを訓練することは困難であることが示されている。 本稿では,APA (Adaptive Pseudo Augmentation) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-12T18:13:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。