EHRDiff：探索使用扩散模型进行真实EHR合成
EHRDiff: Exploring Realistic EHR Synthesis with Diffusion Models
AI总结：
本研究提出了一种基于扩散模型的新方法EHRDiff，用于合成真实的电子健康记录（EHR）数据，解决了隐私限制下高质量EHR数据难以获取的问题，并通过实验证明其在数据质量和隐私保护方面达到了新的最先进水平。
摘要：
电子健康记录（EHR）包含丰富的生物医学信息，是开发精准医疗系统的宝贵资源。然而，隐私问题导致研究人员难以获取高质量和大规模的EHR数据，阻碍了方法学的发展。近期研究深入探讨了通过生成建模技术合成真实EHR数据，其中大多数提出的方法依赖于生成对抗网络（GAN）及其变体进行EHR合成。尽管基于GAN的方法在生成EHR数据方面达到了最先进的性能，但这些方法难以训练且容易出现模式崩溃。扩散模型近期被引入生成建模领域，在图像生成方面确立了前沿性能，但其在EHR数据合成中的有效性在很大程度上仍未被探索。在本研究中，我们探讨了扩散模型在EHR数据合成中的潜力，并提出了一种新方法EHRDiff。通过广泛的实验，EHRDiff为合成EHR数据确立了新的最先进质量，同时保护了私人信息。
英文摘要：
Electronic health records (EHR) contain a wealth of biomedical information, serving as valuable resources for the development of precision medicine systems. However, privacy concerns have resulted in limited access to high-quality and large-scale EHR data for researchers, impeding progress in methodological development. Recent research has delved into synthesizing realistic EHR data through generative modeling techniques, where a majority of proposed methods relied on generative adversarial networks (GAN) and their variants for EHR synthesis. Despite GAN-based methods attaining state-of-the-art performance in generating EHR data, these approaches are difficult to train and prone to mode collapse. Recently introduced in generative modeling, diffusion models have established cutting-edge performance in image generation, but their efficacy in EHR data synthesis remains largely unexplored. In this study, we investigate the potential of diffusion models for EHR data synthesis and introduce a novel method, EHRDiff. Through extensive experiments, EHRDiff establishes new state-of-the-art quality for synthetic EHR data, protecting private information in the meanwhile.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
