Erstellung synthetischer Tabellendaten im medizinischen Bereich

Projekttitel: Erstellung synthetischer Tabellendaten im medizinischen Bereich

Projektdauer: 01.01.2023 – 31.12.2025

Forschungsbereich: Biowissenschaften und Medizin

In der klinischen Forschung ist die Erfassung umfangreicher, qualitativ hochwertiger Patientendaten aufgrund von Kosten, Datenschutz- und regulatorischen Aspekten eine Herausforderung. Mit generativen KI-Methoden wie CTAB-GAN+, Normalizing Flows (NFlow) und anderen erstellen wir synthetische Datensätze aus Patientendaten klinischer Studien. Unser Ziel ist es, Daten bereitzustellen, die wesentliche Aspekte der Patientendaten erfolgreich nachbilden und die Beziehungen zwischen den Variablen beibehalten. Damit soll eine echte explorative Analyse zu ermöglicht werden. Aus diesem Grund muss die synthetische Datenkohorte die ursprünglichen Überlebenskurven genau widerspiegeln. Gleichzeitig muss der Datenschutz gewährleistet sein, indem eine Rückverfolgung der Patienten verhindert wird. Diese Arbeit stellt Modelle für die Generierung synthetischer Daten in der Medizin bereit und wird den Zugang zu den generierten Datensätzen für Forschungszwecke ermöglichen.

Problemstellung und Ziele

Im Bereich der Medizinischen Informatik besteht ein zentrales Forschungsproblem darin, Patientendaten sicher und effektiv für die klinische Forschung zu nutzen. Hürden sind dabei die hohen Kosten, Datenschutzbedenken und regulatorische Auflagen im Zusammenhang mit dem Zugriff auf echte Patientendaten. Das Problem soll mit der Entwicklung von Methoden zur Generierung synthetischer Daten geläst werden. Ein Beispiel einer solchen Methode ist unser medizinisches Anwendungsszenario mit Patienten mit akuter myeloischer Leukämie.

Praxisbeispiel

Unser derzeit auf Zenodo bereitgestellter Datensatz umfasst synthetisierte Patientendaten von 1.606 Patienten mit akuter myeloischer Leukämie, die mithilfe von zwei generativen KI-Methoden generiert wurden: CTAB-GAN+ und Normalizing Flows (NFlow). Diese Daten basieren auf Patienten, die im Rahmen von vier multizentrischen klinischen Studien behandelt wurden, und umfassen für jedes Modell 1.606 synthetische Patienten. Damit stellen sie eine wertvolle Ressource für die medizinische Forschung dar, insbesondere bei der Erforschung des Einsatzes von KI bei der Analyse von Gesundheitsdaten.

Technologie

Wir nutzen unter anderem generative KI wie CTAB-GAN+ und Normalizing Flows (NFlow). Beide Methoden dienen dazu, realistische synthetische Patientendaten zu erstellen, wobei wesentliche Merkmale der Patientendaten effektiv nachgebildet und gleichzeitig die Beziehungen zwischen den Variablen erhalten bleiben.

Ausblick

Durch die erfolgreiche Generierung synthetischer Patientendaten trägt das Projekt „Synthetic Tabular Data Generation in the Medical Domain“ dazu bei, den Weg für die Überwindung von Problemen im Zusammenhang mit dem Datenschutz und der Datenzugänglichkeit in medizinischen Studien zu ebnen. Dies könnte zu einer fundierteren und vielfältigeren klinischen Forschung führen, insbesondere im Bereich seltener Krankheiten, ohne die Privatsphäre der Patienten zu beeinträchtigen. Der Ansatz könnte auf andere Bereiche der medizinischen Forschung ausgeweitet werden, wodurch Umfang und Tiefe von Studien und Kohorten erweitert würden, während gleichzeitig die Datensicherheit und die Einhaltung gesetzlicher Vorschriften gewährleistet blieben.

Publikationen

• ConvGeN: A convex space learning approach for deep-generative oversampling and imbalanced classification of small tabular datasets. Kristian Schultz, Saptarshi Bej, Waldemar Hahn, Markus Wolfien, Prashant Srivastava, Olaf Wolkenhauer (Pattern recognition 2024) https://doi.org/10.1016/j.patcog.2023.110138
• Mimicking Clinical Trials with Synthetic Acute Myeloid Leukemia Patients Using Generative Artificial Intelligence. Jan-Niklas Eckardt, Waldemar Hahn, Christoph Röllig, Sebastian Stasik, Uwe Platzbecker, Carsten Müller-Tidow, Hubert Serve, Claudia D. Baldus, Christoph Schliemann, Kerstin Schäfer-Eckart, Maher Hanoun, Martin Kaufmann, Andreas Burchert, Christian Thiede, Johannes Schetelig, Martin Sedlmayr, Martin Bornhäuser, Markus Wolfien, Jan Moritz Middeke (Pre-print 2023) https://www.medrxiv.org/content/10.1101/2023.11.08.23298247v1
• Word2Vec embeddings for categorical values in synthetic tabular generation. Waldemar Hahn, Martin Sedlmayr, Markus Wolfien (Conference: The 2022 International Conference on Computational Science and Computational Intelligence (CSCI)) http://dx.doi.org/10.1109/CSCI58124.2022.00201
• Contribution of Synthetic Data Generation towards an Improved Patient Stratification in Palliative Care. Waldemar Hahn, Katharina Schütte, Kristian Schultz, Olaf Wolkenhauer, Martin Sedlmayr, Ulrich Schuler, Martin Eichler, Saptarshi Bej, Markus Wolfien (Journal of Personalized Medicine 2022) https://www.mdpi.com/2075-4426/12/8/1278

Team

Teamleitung

• Dr. Markus Wolfien

Teammitglieder

• Waldemar Hahn