Sintetik verilənlənlər və onlarin tibbdə tətbiqi
Article Sidebar
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Main Article Content
Abstract
Bu məqalədə sintetik verilənlərin tibbdə tətbiqi və onların süni intellekt sistemlərində istifadəsi geniş şəkildə araşdırılmışdır. Sintetik verilənlər, real pasiyent məlumatlarının statistik xüsusiyyətlərini qoruyaraq, lakin fərdi məlumatları açıqlamadan yaradılan süni məlumat toplularıdır. Bu texnologiya tibbi tədqiqatlarda məlumat çatışmazlığını aradan qaldırır, süni intellekt modellərinin öyrədilməsini sürətləndirir və məxfilik standartlarına riayət etməyə imkan verir. Məqalədə generativ modellər, xüsusilə Generative Adversarial Networks (GAN), Variational Autoencoders (VAE) və Diffusion modelləri kimi metodlar təhlil edilmişdir. Sintetik verilənlərin tətbiqi sahələri genişdir: elektron sağlamlıq qeydlərinin (EHR) təhlükəsiz təhlili, tibbi görüntülərin sintezi və artırılması, nadir xəstəliklər üzrə virtual klinik sınaqlar və bioinformatik tədqiqatlarda genom məlumatlarının paylaşılması. Məqalədə həmçinin sintetik verilənlərin üstünlükləri və məhdudiyyətləri müzakirə olunur. Üstünlüklər arasında məxfilik qorunması, məlumat balansının təmin olunması, süni intellekt sistemlərinin sürətli öyrədilməsi və açıq elmin təşviqi qeyd olunur. Məhdudiyyətlərə isə məlumatın real klinik xüsusiyyətlərini tam əks etdirməməsi, keyfiyyət yoxlaması üçün standart metodların olmaması və etik-hüquqi çətinliklər daxildir. Etik və hüquqi aspektlərdə, məlumatın yenidən tanınma riski və süni məlumatların klinik qərarlara təsiri önəmli mövzulardır. Nəticədə, sintetik verilənlər tibbi tədqiqatlarda elmi innovasiyaları sürətləndirən və məxfiliyi qoruyan strateji resurs kimi qiymətləndirilir. Gələcəkdə multimodal sintetik verilənlərin inteqrasiyası, etibarlılıq qiymətləndirmə metodlarının inkişafı və etik-hüquqi çərçivələrin təkmilləşdirilməsi əsas istiqamətlər olacaqdır.
Article Details
References
Rieke N., Hancox J., Li W., Milletari F., Roth H. R., Albarqouni S. и др. The future of digital health with federated learning // npj Digital Medicine. — 2020. — Vol. 3, № 1. — Art. 119.
Goncalves A., Ray P., Soper B., Stevens J., Coyle L., Sales A. P. Generation and evaluation of synthetic patient data // npj Digital Medicine. — 2020. — Vol. 3, № 1. — Art. 147.
Kaplan B., O’Sullivan D. M. Using synthetic data to improve patient privacy: a data sharing example using the MDClone system // Learning Health Systems. — 2021. — Vol. 5, № 1. — e10208.
Wang G., Kalra M. K., Murugan V., Yoo Y. Synthetic medical images using generative adversarial networks: A review of applications and challenges // Journal of Digital Imaging. — 2022. — Vol. 35, № 5. — P. 1045–1060.
Shen D., Wu G., Suk H. I. Deep learning in medical image analysis // Annual Review of Biomedical Engineering. — 2017. — Vol. 19. — P. 221–248.
El Emam K., Mosquera L., Bass J. Evaluating identity disclosure risk in fully synthetic health data: Model development and assessment // Journal of Medical Internet Research. — 2020. — Vol. 22, № 11. — e23139.
Yi X., Walia E., Babyn P. Generative adversarial network in medical imaging: A review // Medical Image Analysis. — 2019. — Vol. 58. — Art. 101552.
Goodfellow I., Pouget-Abadie J., Mirza M., Xu B., Warde-Farley D., Ozair S., Courville A., Bengio Y. Generative adversarial nets // Advances in Neural Information Processing Systems. — 2014. —
Vol. 27. — P. 2672–2680.
Esteva A., Kuprel B., Novoa R. A., Ko J., Swetter S. M.,
Blau H. M., Thrun S. Dermatologist-level classification of skin cancer with deep neural networks // Nature. — 2017. — Vol. 542, № 7639. — P. 115–118.
Frid-Adar M., Diamant I., Klang E., Amitai M., Goldberger J., Greenspan H. GAN-based synthetic medical image augmentation for increased CNN performance in liver lesion classification // Neurocomputing. — 2018. — Vol. 321. — P. 321–331.
Sheller M. J., Reina G. A., Edwards B., Martin J., Bakas S. Multi-institutional deep learning modeling without sharing patient data: A feasibility study on brain tumor segmentation // Brainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries. — 2019. — Vol. 11384. — P. 92–104.
Rajkomar A., Dean J., Kohane I. Machine learning in medicine // New England Journal of Medicine. — 2019. — Vol. 380, № 14. — P. 1347–1358.