Большасць рэальных медыцынскіх даных недаступныя толькі з-за праблем прыватнасці пацыентаў, нарматыўных бар'ераў, такіх як HIPAA, і канфідэнцыяльнай прыроды такіх даных. Тут узнікае канцэпцыя сінтэтычных даных: штучныя, створаныя даныя, якія ў дакладнасці прадстаўляюць усе статыстычныя ўласцівасці набору даных рэальнага свету. Здаецца, гэта ключавое пераўтварэнне ў будучыні аховы здароўя.  У гэтым артыкуле мы плануем паглыбіцца ў тэхнічныя складанасці сінтэтычных даных, іх прымяненне ў ахове здароўя, як яны могуць змяніць клінічныя даследаванні, дыягностыку і лячэнне пацыентаў, а таксама тэхналогіі, якія робяць гэта магчымым.  Што такое сінтэтычныя даныя?  Сінтэтычныя даныя разглядаюцца як штучна створаныя даныя з паводзінамі, падобнымі да рэалістычных даных. Некалькі метадаў выкарыстоўваюцца для стварэння сінтэтычных даных, уключаючы статыстычныя мадэлі, алгарытмы   і генератыўныя канкурэнтныя сеткі (GAN). Нягледзячы на тое, што сінтэтычныя даныя не ўтрымліваюць ніякіх фактычных спасылак на файлы пацыентаў, ананімныя даныя не могуць быць створаны, каб забяспечыць складанасць рэальных сцэнарыяў аховы здароўя. машыннага навучання  Асноўныя характарыстыкі сінтэтычных даных:    : належным чынам імітуе структуру і адносіны ў фактычных наборах даных. Дакладнасць    як сінтэтычныя дадзеныя не ўтрымліваюць фактычных дадзеных пацыента; ён ухіляецца ад любога разгляду прыватнасці. Канфідэнцыяльнасць:    сінтэтычныя даныя можна вырабляць у масавых колькасцях, забяспечваючы разнастайныя наборы для навучання мадэлям штучнага інтэлекту або запуску мадэлявання. Маштабаванасць:  Чаму сінтэтычныя даныя ў ахове здароўя?    - гэта інтэнсіўная інфармацыя; бальніцы, навукова-даследчыя ўстановы і фармацэўтычныя кампаніі пры прыняцці рашэнняў моцна залежаць ад дадзеных пацыентаў. Аднак рэальныя даныя аховы здароўя абмежаваныя ў некалькіх аспектах: Ахова здароўя    тут GDPR і HIPAA абмяжоўваюць медыцынскія арганізацыі на выкарыстанне і абмен данымі пацыентаў. Правілы канфідэнцыяльнасці:    Часам запісы пацыентаў утрымліваюць няпоўныя даныя або адсутнічаюць іх часткі, што можа прывесці да патэнцыйнай зрушэння ў аналізе. Адсутнасць даных:    Збор якасных набораў даных вельмі дарагі. Дарагі збор даных:    Даследчыкам, асабліва ў невялікіх установах, не хапае разнастайных набораў дадзеных аб пацыентах. Абмежаваная даступнасць:  Сінтэтычныя даныя вырашаюць такія праблемы, прапаноўваючы этычныя, маштабуемыя і эканамічна эфектыўныя альтэрнатывы. Акрамя таго, сінтэтычна ўзбагачаныя наборы даных могуць уключаць разнастайныя дэмаграфічныя зменныя, рэдкія захворванні і незвычайныя метады лячэння, якія традыцыйныя наборы даных могуць не адлюстроўваць належным чынам.  Метады генерацыі даных ўключаюць метады стварэння штучных даных  Многія высокатэхналагічныя метады дазваляюць штучна генераваць даныя. Да найбольш папулярным адносяцца:  GAN: Генератыўная спаборніцкая сетка  GAN з'яўляюцца аднымі з метадаў сінтэзу дадзеных, якія прымяняюцца ў сектары аховы здароўя. GAN складаецца з дзвюх сетак: генератара і дыскрымінатара. Генератар генеруе сінтэтычныя даныя, а дыскрымінатар спрабуе вызначыць, сапраўдныя яны ці сінтэтычныя. З цягам часу гэта павышае кампетэнтнасць вытворцы, забяспечваючы такім чынам даныя рэалістычнай якасці.  GAN могуць вучыцца на наборах дадзеных медыцынскай візуалізацыі, напрыклад, для стварэння сінтэтычных МРТ, КТ або рэнтгенаўскіх прамянёў, якія можна выкарыстоўваць у якасці навучальных даных або для праверкі некаторых алгарытмаў у праграмах аховы здароўя. Больш за тое, GAN таксама выкарыстоўваліся для сінтэзу сінтэтычных даных электронных медыцынскіх запісаў (EHR), захоўваючы ўзаемаадносіны клінічных зменных некранутымі без раскрыцця асобы пацыента.  Прыклад: код python   # Example of GAN-based synthetic data generation for EHR from keras.models import Sequential from keras.layers import Dense, LeakyReLU def build_generator(latent_dim): model = Sequential() model.add(Dense(256, input_dim=latent_dim)) model.add(LeakyReLU(alpha=0.2)) model.add(Dense(512)) model.add(LeakyReLU(alpha=0.2)) model.add(Dense(1024)) model.add(LeakyReLU(alpha=0.2)) model.add(Dense(784, activation='sigmoid')) return model  Гэты код з'яўляецца простым генератарам для мадэлі GAN, якая стварае сінтэтычныя функцыі мадэлявання дадзеных аховы здароўя.  Варыяцыйныя аўтакадавальнікі (VAE)  VAE - яшчэ адна генератыўная мадэль для сінтэзу сінтэтычных дадзеных пра здароўе. VAE кадуюць рэальныя ўваходныя даныя ў некаторую латэнтную прастору. З гэтай схаванай прасторы ствараюцца новыя кропкі даных, якія захоўваюць статыстычныя ўласцівасці зыходнага набору даных. Такія мадэлі асабліва дастасавальныя для стварэння шматмерных набораў даных у ахове здароўя, такіх як наборы дадзеных геномікі або omics.  Байесовские сеткі  Байесовские сеткі - гэта графічныя мадэлі, якія прадстаўляюць імавернасныя адносіны паміж рознымі зменнымі. У ахове здароўя гэтыя сеткі былі б асабліва карысныя для атрымання сінтэтычных даных, якія адлюстроўваюць прычынна-следчую сувязь, напрыклад, плынь захворвання або наступствы схемы лячэння.  Прымяненне сінтэтычных даных у ахове здароўя  Медыцынская візуалізацыя  Сінтэтычныя даныя зрабілі рэвалюцыю ў медыцынскай візуалізацыі, забяспечыўшы абыходны шлях для абмежаванай даступнасці анатаваных набораў даных, неабходных для навучання мадэлям машыннага навучання. У гэтым плане GAN і VAE з'яўляюцца карыснымі метадамі для сінтэзу МРТ, КТ або рэнтгенаўскіх малюнкаў. Выкарыстанне такіх сінтэтычных малюнкаў дапамагае радыёлагам і алгарытмам штучнага інтэлекту з высокай дакладнасцю выяўляць анамаліі ў медыцынскіх сканаваннях. Дадзеныя сінтэтычнай візуалізацыі дадаткова даюць даследчыкам магчымасць навучаць мадэлі глыбокага навучання без праблем з дэфіцытам даных або здрадай прыватнасці пацыентаў.    МРТ, створаныя GAN: у нядаўнім эксперыменце па сегментацыі пухліны галаўнога мозгу даследчыкі выкарыстоўвалі GAN для стварэння сінтэтычных малюнкаў МРТ пухліны. Яны змаглі навучыць мадэлі глыбокага навучання выяўляць такія выпадкі з больш высокай дакладнасцю, не патрабуючы аб'ёмаў дадзеных пацыентаў. Прыклад:  Клінічныя выпрабаванні  Маецца на ўвазе, што сінтэтычныя даныя павінны выкарыстоўвацца разам з традыцыйнымі клінічнымі данымі, і гэта асабліва датычыцца рэдкіх захворванняў, дзе складана прыцягнуць пацыентаў да даследаванняў. Сінтэтычныя кагорты дазваляюць даследчыкам мадэляваць вынікі пацыентаў пры розных пратаколах лячэння, паскараючы, такім чынам, адкрыццё і тэставанне лекаў.  Напрыклад, сінтэтычныя EHR могуць дазволіць фармацэўтычным кампаніям мадэляваць вынікі лячэння віртуальных кагорт пацыентаў. Гэта дазволіць правяраць гіпотэзы і правяраць эфектыўнасць лекаў і, хутчэй за ўсё, скараціць час і кошт клінічных выпрабаванняў.  Пашырэнне дадзеных  Сінтэтычныя даныя спросцяць працэс павелічэння даных у машынным навучанні, дазваляючы ствараць больш моцныя прагнастычныя мадэлі. Сінтэтычныя запісы пацыентаў або дадзеныя візуалізацыі могуць дапамагчы дапоўніць невялікія наборы даных у ахове здароўя, змякчаючы празмернае абсталяванне і дазваляючы больш шырока абагульняць мадэлі штучнага інтэлекту.  Дакладная медыцына  Сінтэтычная геноміка, або генерацыя дадзеных omics, адкрывае новыя шляхі для дакладнай медыцыны ў гэтым плане. Даследчыкі могуць даследаваць, як некаторыя генетычныя мутацыі ўплываюць на рызыку захворвання або рэакцыю на лячэнне такім чынам, каб прапанаваць персаналізаваныя метады лячэння ў сінтэтычных наборах даных, якія адлюстроўваюць генетыку пацыента.  Нарматыўныя і этычныя меркаванні  Хаця сінтэтычныя даныя маюць вялікую каштоўнасць, яны ўяўляюць некаторыя вельмі важныя нарматыўныя і этычныя пытанні:    рэгулятары аховы здароўя ўсё яшчэ спрабуюць зразумець, як класіфікаваць сінтэтычныя даныя. Паколькі такія дадзеныя не зыходзяць ад рэальных пацыентаў, яны цалкам могуць знаходзіцца па-за межамі існуючых правілаў або па-за межамі юрысдыкцыі рэгулюючых органаў. Тым не менш, ён павінен адпавядаць этычным патрабаванням выкарыстання штучнага інтэлекту ў ахове здароўя. Нарматыўныя рамкі:    сінтэз даных любой мадэлі мае некаторыя зрушэнні або недахопы. Гэта можа прымусіць выніковы набор даных адлюстроўваць такія недахопы і прывесці да памылковых або прадузятых вынікаў даследаванняў або памылковых прагнозаў штучнага інтэлекту. Зрушэнне генерацыі даных:    сінтэтычныя даныя павінны быць правераны як на вернасць, так і на сапраўднасць. Проста таму, што сінтэтычныя даныя могуць адлюстроўваць рэалістычныя даныя, гэта не робіць іх дастаткова добрымі для прыкладанняў аховы здароўя, якія патрабуюць часу. Праверка:  Некаторыя з перадавых інструментаў і фрэймворкаў, якія нядаўна з'явіліся для падтрымкі генерацыі сінтэтычных медыцынскіх даных, наступныя:    абрэвіятура ад Conditional Tabular GAN, інструмента з адкрытым зыходным кодам для стварэння сінтэтычных таблічных даных. Ён звычайна выкарыстоўваецца ў ахове здароўя для сінтэзу EHR. CTGAN:    : гэта інструмент R для стварэння сінтэтычных версій канфідэнцыйных даных. Ён шырока выкарыстоўваецца для стварэння набораў даных, якія захоўваюць прыватнасць, у ахове здароўя. Synthpop    сінтэзатар з адкрытым зыходным кодам, які стварае сінтэтычныя наборы даных з захаваннем прыватнасці. Інструмент падтрымлівае мадэлі рэжымаў выпадковых, незалежных і карэляваных атрыбутаў. Сінтэзатар даных:  Погляд на будучыню сінтэтычных даных у ахове здароўя  Сінтэтычныя даныя маюць велізарны патэнцыял у ахове здароўя. Палепшаны штучны інтэлект і генератыўныя мадэлі могуць значна паскорыць інавацыі ў некалькіх галінах:    з пашырэннем канцэпцыі тэлемедыцыны, можа быць магчымым распрацаваць сінтэтычныя навучальныя наборы даных для сістэм штучнага інтэлекту, якія ўдзельнічаюць у дыстанцыйным маніторынгу і дыягностыцы пацыентаў. Тэлемедыцына:    навучанне сінтэтычным даным, якія мадэлююць рэдкія або менш прадстаўленыя захворванні, можа павысіць дакладнасць дыягностыкі захворванняў для пацыентаў сістэмамі аховы здароўя, асабліва пры рэдкіх захворваннях. ШІ ў дыягностыцы:  **Міжінстытуцыянальнае даследаванне:**Сінтэтычныя даныя могуць забяспечыць бяспечны абмен дадзенымі аховы здароўя паміж установамі. Гэта палягчае глабальнае супрацоўніцтва без дадатковых праблем, звязаных з прыватнасцю.  Заключэнне    ўяўляюць сабой змену парадыгмы ў ахове здароўя, таму што яны дазваляюць даным перасягнуць іх патэнцыйныя недахопы ў пытаннях доступу, маштабаванасці і прыватнасці. Даследчыкі, клініцысты і   змогуць уводзіць інавацыі без шкоды для прыватнасці пацыентаў або этычных стандартаў. Дзякуючы пастаянным інавацыям у генератыўных мадэлях, уключаючы GAN, VAE і байесовские сеткі, сінтэтычныя даныя стануць важнай роляй у фарміраванні будучыні аховы здароўя, ад клінічных выпрабаванняў і дыягностыкі да персаналізаванай медыцыны. Сінтэтычныя даныя распрацоўшчыкі штучнага інтэлекту  Адказна выкарыстоўваючы гэтую тэхналогію, сектар аховы здароўя можа адкрыць беспрэцэдэнтныя магчымасці ў сыходзе за пацыентамі, даследаваннях і інавацыях.

Гэта аўдыя зроблена на мове арыгіналу гісторыі!

Сінтэтычныя дадзеныя і іх патэнцыял у ахове здароўя

About Author

КАМЕНТАРЫІ

ВЕСІЦЬ БІРКІ

ГЭТЫ АРТЫКУЛ БЫЎ ПРАДСТАЎЛЕНЫ Ў

Related Stories

Navigating the Future of Blockchain VC Industry With Stelian Balta of Hyperchain Capital

Zero-Knowledge, Zero Limits: The Vision Behind Aleo's New Blockchain Paradigm

HackerNoon Hackathon: Стань афіцыйным партнёрам экасістэмы

Nailya Safarova - From The Journey Through Analog Color Science to HackerNoon Top Writer

Navigating the Future of Blockchain VC Industry With Stelian Balta of Hyperchain Capital

Zero-Knowledge, Zero Limits: The Vision Behind Aleo's New Blockchain Paradigm

HackerNoon Hackathon: Стань афіцыйным партнёрам экасістэмы

Nailya Safarova - From The Journey Through Analog Color Science to HackerNoon Top Writer

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps