Generative AI for Synthetic Data Across Multiple Medical Modalities: A Systematic Review of Recent Developments and Challenges

本文提供了一篇全面的系统综述，介绍了生成模型（GAN、VAE、DM 和 LLM）在合成各种医学数据类型（包括成像、文本、时间序列和表格数据）方面的应用。与以往狭隘的综述不同，本研究涵盖了广泛的医学数据模态，并探索了各种生成模型。我们的搜索策略查询了 Scopus、PubMed 和 ArXiv 等数据库，重点关注从 2021 年 1 月到 2023 年 11 月的最新作品，排除了评论和观点。这个时期强调了 GAN 以外的最新进展，因为 GAN 已经被广泛涵盖过了。 该调查揭示了三个关键方面的见解：（1）合成应用和合成目的，（2）生成技术，以及（3）评估方法。它强调了临床有效的合成应用，展示了合成数据解决各种临床需求的潜力。虽然包含类标签、分割掩模和图像翻译的条件模型很普遍，但在利用先前的临床知识和患者特定上下文方面还存在差距，这表明需要更个性化的合成方法，并强调了将生成方法针对医学数据的独特特征进行定制的重要性。此外，在使用合成数据进行下游医疗 AI 模型的验证和评估方面存在重大差距。调查揭示了缺乏针对医学图像量身定制的标准化评估方法是临床应用的障碍，强调了需要深入评估方法、基准测试和比较研究，以促进开放和合作。

本论文旨在对生成模型（GANs、VAEs、DMs和LLMs）在医疗数据合成方面的应用进行全面系统的回顾和总结，包括影像、文本、时间序列和表格数据等多种类型。论文探讨了医疗数据的生成模型，强调了个性化生成方法的重要性以及缺乏标准化评估方法的问题。

论文提出了生成模型在医疗数据合成方面的应用，包括生成技术和评估方法。论文强调了生成模型在医疗领域的应用潜力和个性化生成方法的重要性，同时也指出了缺乏标准化评估方法的问题。

论文涵盖了医疗数据合成方面的多种类型，包括影像、文本、时间序列和表格数据等；强调了个性化生成方法的重要性以及缺乏标准化评估方法的问题；提出了生成模型在医疗领域的应用潜力，如用于验证和评估下游医疗AI模型等。

最近在这个领域中，还有一些相关的研究，例如《Generative Models for Electronic Health Records: A Systematic Review》、《Generative Models for Clinical Medical Images: A Review》等。