Research on Generative Adversarial Networks Optimization for Synthetic Electronic Health Records Generation
Silich, Vladyslav |
Savickas, Titas | Recenzentas / Rewiewer |
Darbo gynimo komisijos pirmininkas / Thesis Defence Board Chairman | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member |
Šiame tyrime nagrinėjamas sintetinių elektroninių sveikatos įrašų (EHR) generavimas naudojant optimizuotus generatyvinius besivaržančius neuroninius tinklus (GAN). Pagrindinis tyrimo tikslas - sukurti ir patobulinti metrikos valdomą sąlyginį generatyvų besivaržantį neuroninį tinklą (MGCGAN), kuris gebėtų generuoti aukštos kokybės sintetinius sveikatos duomenis. Tyrime atliekama esamu sintetinių EHR generavimo metodų analizė, identifikuojami pagrindiniai apribojimai ir tobulinimo galimybės. Sukurtas MGCGAN modelis sujungia sąlyginį GAN statiniams atributams, transformerių modulius laiko sekoms ir daugiamačius diskriminatorius, vertinančius statistinį panašumą, išskirtinumą ir klinikinį validumą. Eksperimentinis patvirtinimas rodo aukštesnį statistinį panašumą su realiais duomenimis ir geresnį pritaikomumą mašininio mokymosi užduotims lyginant su baziniais metodais.
This research investigates synthetic electronic health records (EHRs) generation using optimized generative adversarial network (GAN). The primary objective is to develop and enhance a Metric-Guided Conditional Generative Adversarial Network (MGCGAN) capable of generating high-quality synthetic health data. The study analyzes existing synthetic EHR generation methods, identifying key limitations and improvement opportunities. The developed MGCGAN model combines conditional GAN for static attributes, transformer modules for temporal sequences, and multidimensional discriminators that assess statistical similarity, distinctiveness, and clinical validity. Experimental validation demonstrates superior statistical similarity to real data and enhanced utility for machine learning tasks compared to baseline methods.