論文の概要: Leveraging Generative AI Models for Synthetic Data Generation in
Healthcare: Balancing Research and Privacy
- arxiv url: http://arxiv.org/abs/2305.05247v1
- Date: Tue, 9 May 2023 08:12:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-10 13:25:22.827343
- Title: Leveraging Generative AI Models for Synthetic Data Generation in
Healthcare: Balancing Research and Privacy
- Title(参考訳): 医療における合成データ生成のための生成aiモデル活用:研究とプライバシのバランス
- Authors: Aryan Jadon, Shashank Kumar
- Abstract要約: GANやVAEといった生成AIモデルは、貴重なデータアクセスと患者のプライバシ保護のバランスをとるための、有望なソリューションを提供する。
本稿では,現実的な匿名化された患者データを作成するための生成AIモデルについて検討する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The widespread adoption of electronic health records and digital healthcare
data has created a demand for data-driven insights to enhance patient outcomes,
diagnostics, and treatments. However, using real patient data presents privacy
and regulatory challenges, including compliance with HIPAA and GDPR. Synthetic
data generation, using generative AI models like GANs and VAEs offers a
promising solution to balance valuable data access and patient privacy
protection. In this paper, we examine generative AI models for creating
realistic, anonymized patient data for research and training, explore synthetic
data applications in healthcare, and discuss its benefits, challenges, and
future research directions. Synthetic data has the potential to revolutionize
healthcare by providing anonymized patient data while preserving privacy and
enabling versatile applications.
- Abstract(参考訳): 電子医療記録とデジタル医療データの普及により、患者の結果、診断、治療を強化するためのデータ駆動の洞察が求められている。
しかし、実際の患者データを使用することで、HIPAAやGDPRへの準拠など、プライバシーと規制上の課題が生じる。
gansやvaesのような生成aiモデルを用いた合成データ生成は、貴重なデータアクセスと患者のプライバシー保護をバランスさせる有望なソリューションを提供する。
本稿では,現実的で匿名化された患者データを作成するための生成AIモデルについて検討し,医療における合成データ応用を探求し,そのメリット,課題,今後の研究方向性について考察する。
合成データは、プライバシを保持し、汎用的なアプリケーションを可能にすると同時に、匿名化された患者データを提供することで、医療に革命をもたらす可能性がある。
関連論文リスト
- CEHR-GPT: Generating Electronic Health Records with Chronological
Patient Timelines [12.040682280808863]
我々は合成データ生成に焦点をあて、特定の患者表現を用いてGPTモデルを訓練する能力を実証する。
これにより、観察医療成果パートナーシップ(OMOP)データフォーマットにシームレスに変換できる患者シーケンスを生成することができる。
論文 参考訳(メタデータ) (2024-02-06T20:58:36Z) - Recent Advances in Predictive Modeling with Electronic Health Records [73.31880579203012]
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) - Generating Synthetic Health Sensor Data for Privacy-Preserving Wearable
Stress Detection [1.529040771430363]
ストレスの瞬間に関連するマルチセンサ型スマートウォッチのヘルスリーダーのプライバシ・アウェア・シンセサイザー化について紹介する。
我々の手法はGAN(Generative Adversarial Networks)による合成シーケンスデータの生成を伴う。
非プライベート (0.45% F1) とプライベート (11.90-15.48% F1) のトレーニングシナリオの両方において、モデル性能の改善を観察する。
論文 参考訳(メタデータ) (2024-01-24T09:44:57Z) - Generative AI-Driven Human Digital Twin in IoT-Healthcare: A
Comprehensive Survey [56.89257974393749]
IoT(Internet of Things)は、特にヘルスケアにおいて、人間の生活の質を大幅に向上させる。
ヒトデジタルツイン(HDT)は、個体の複製を包括的に特徴付ける革新的なパラダイムとして提案されている。
HDTは、多用途で生き生きとした人間のデジタルテストベッドとして機能することで、医療監視の応用を超えて、IoTヘルスの強化を図っている。
最近、生成人工知能(GAI)は、高度なAIアルゴリズムを利用して、多種多様なデータを自動的に生成、操作、修正できるため、有望なソリューションである可能性がある。
論文 参考訳(メタデータ) (2024-01-22T03:17:41Z) - Data-Centric Foundation Models in Computational Healthcare: A Survey [22.459507690070463]
AI技術の新たなスイートとしてのファンデーションモデル(FM)は、計算医療の波を巻き起こしている。
我々は、AIセキュリティ、アセスメント、および人間の価値との整合性における重要な視点について議論する。
本報告では,患者の予後と臨床ワークフローを向上するために,FMベースの分析を期待できる展望を提供する。
論文 参考訳(メタデータ) (2024-01-04T08:00:32Z) - 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) - Beyond Privacy: Navigating the Opportunities and Challenges of Synthetic
Data [91.52783572568214]
合成データは、機械学習の世界において支配的な力となり、データセットを個々のニーズに合わせて調整できる未来を約束する。
合成データのより広範な妥当性と適用のために,コミュニティが克服すべき根本的な課題について論じる。
論文 参考訳(メタデータ) (2023-04-07T16:38:40Z) - Large Language Models for Healthcare Data Augmentation: An Example on
Patient-Trial Matching [49.78442796596806]
患者-心電図マッチング(LLM-PTM)のための革新的なプライバシ対応データ拡張手法を提案する。
本実験では, LLM-PTM法を用いて平均性能を7.32%向上させ, 新しいデータへの一般化性を12.12%向上させた。
論文 参考訳(メタデータ) (2023-03-24T03:14:00Z) - 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) - Machine Learning in Precision Medicine to Preserve Privacy via
Encryption [2.099922236065961]
我々は,がんを予測するMLモデルの構築に使用した,暗号化(MLE)フレームワークを用いた汎用機械学習を提案する。
我々のフレームワークの予測精度は、同じデータセット上で実施された最新の研究よりもわずかに高い。
私たちは、フレームワークの設計と実装、すべてのML実験とコード、そして、無料のクラウドサービスにデプロイされた最終的な予測モデルを含む、オープンソースのリポジトリを提供しています。
論文 参考訳(メタデータ) (2021-02-05T20:22:15Z) - Privacy-preserving medical image analysis [53.4844489668116]
医用画像におけるプライバシ保護機械学習(PPML)のためのソフトウェアフレームワークであるPriMIAを提案する。
集合型学習モデルの分類性能は,未発見データセットの人間専門家と比較して有意に良好である。
グラデーションベースのモデル反転攻撃に対するフレームワークのセキュリティを実証的に評価する。
論文 参考訳(メタデータ) (2020-12-10T13:56:00Z)
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。