CorGAN: Korrelations-erfassende konvolutionelle generative adversarische Netzwerke zur Erzeugung synthetischer Gesundheitsdatenprotokolle

Tiefen Lernmodelle haben eine hervorragende Leistungsfähigkeit in Bereichen wie Bildklassifikation und Sprachverarbeitung gezeigt. Die Erstellung tiefen Lernmodelle unter Verwendung elektronischer Gesundheitsdaten (Electronic Health Records, EHR) stellt jedoch besondere Datenschutzchallenges dar, die für Forscher in diesem Bereich spezifisch sind. Dieser Aspekt lenkt die Aufmerksamkeit auf die Generierung realistischer synthetischer Daten unter Wahrung des Datenschutzes. In diesem Paper stellen wir einen neuartigen Ansatz namens Correlation-Capturing Generative Adversarial Network (CorGAN) vor, um synthetische Gesundheitsdaten zu erzeugen. In CorGAN nutzen wir Faltungsneuronale Netze (Convolutional Neural Networks), um Korrelationen zwischen benachbarten medizinischen Merkmalen im Darstellungsraum der Daten zu erfassen, indem Convolutional Generative Adversarial Networks und Convolutional Autoencoder kombiniert werden. Um die Modellqualität zu belegen, zeigen wir, dass CorGAN synthetische Daten erzeugt, deren Leistung in verschiedenen maschinellen Lern-Szenarien – wie Klassifikation und Vorhersage – vergleichbar mit der von echten Daten ist. Zudem führen wir eine Datenschutzbewertung durch und präsentieren statistische Analysen zu den realistischen Eigenschaften der synthetischen Daten. Die Software dieses Werkes ist Open-Source und steht unter folgender Adresse zur Verfügung: https://github.com/astorfi/cor-gan.