如何伪造病历以减轻隐私风险
在机器学习中，生成的对抗网络（GAN）涉及两个人工神经网络，一个人工网络，一个，一个试图欺骗另一个，鉴别器的生成器将合成数据作为真实。除了他们的科学和工程应用外，甘斯还可以产生完全令人信服的“照片”不存在的人。
患者隐私的考虑因素排除了对生物医学或健康服务研究的广泛电子健康记录（EHR）的不受限制用途。模拟的EHR可以帮助速度发现。
在一项研究中美国医学信息学协会杂志，Chao Yan，Ziqi Zhang，Bradley Malin和同事使用Gans生成“电子”健康记录“不存在的患者。
该团队使用大约100万个去识别的EHR作为培训集，完善了EHR模拟的GAN的培训，设计和统计评估。对较早的学习模型进行了评估，他们的医疗gan更加紧密地模仿现实世界中的数据，同时为培训设定的患者提供了类似的保护水平，以防止潜在的隐私攻击。
进一步探索
更多信息：Ziqi Zhang等。通过更好的培训，建模和评估来确保电子病历模拟，美国医学信息学协会杂志（2019）。doi：10.1093/jamia/ocz161
期刊信息：
美国医学信息学协会杂志
由...提供范德比尔特大学
引用：如何伪造病历以减轻隐私风险（2019年11月11日），于2021年6月15日从//www.puressens.com/news/2019-11-fake-medical-medical-mitigate.html检索
本文件受版权保护。除了出于私人研究或研究目的的任何公平交易之外，未经书面许可，不得复制任何部分。内容仅供参考。
用户评论