合成数据
Parent: ai_keywords
合成数据
核心定义
合成数据（Synthetic Data）是指通过计算机算法、仿真模型或生成式模型，从真实数据的统计分布中生成的、不直接对应任何真实个体的数据。它保留了真实数据的关键特征与模式，却避免了隐私泄露、样本稀缺和标注成本高等问题，广泛用于机器学习训练、模型验证及隐私安全场景。
关键技术点
-
生成对抗网络（GAN）
由生成器与判别器相互博弈，生成与真实分布难以区分的样本。在医学图像（如MRI、CT）中常用于病变区域合成，解决数据集不平衡难题。 -
变分自编码器（VAE）
通过编码-解码结构学习数据的潜在分布，生成连续且可控的合成样本。适合对脑影像进行低维表示，辅助疾病亚型探索。 -
差分隐私合成
在生成过程中注入噪声，保证模型在输出中无法推断任何个体的具体信息。符合HIPAA（美国健康保险携带和责任法案）等医疗隐私法规，适用于医疗记录共享。 -
基于物理模型的模拟
利用生物物理或神经动力学模型（如Hodgkin-Huxley模型）生成合成脑电/脑磁信号，可模拟不同病理状态下的神经活动，为算法提供物理可解释的训练数据。
医学/神经科学应用场景：癫痫发作的智能预警
背景：首都医科大学宣武医院神经病学团队在难治性癫痫术前评估中，面临真实颅内脑电图（iEEG）标注困难、发作期样本稀缺的问题。
方案：
（1）利用患者日常发作间歇期的iEEG数据，通过GAN生成涵盖多种发作类型（背景、预发作、发作期）的合成iEEG序列。
（2）结合差分隐私技术，确保合成数据不包含患者个体标识。
（3）用合成数据与少量真实标注数据混合，训练轻量化3D卷积-Transformer模型，用于实时预警癫痫发作。
效果：合成数据将发作期的样本量提升5倍，模型检测灵敏度从72%提升至91%，误报率降低50%，同时满足了医院伦理委员会对患者隐私保护的要求。该方法已进入首都医科大学附属医院的预临床试验阶段。
