编辑推荐：
医疗数据隐私保护与数据短缺问题突出，研究人员开展合成健康记录（SHR）生成模型的研究。基于 52 篇文献，发现隐私保护是主要目标，GAN、概率模型、LLMs 分别在生成纵向数据、时间序列、文本中表现优异，为医疗 AI 发展提供新路径。
在医疗领域，人工智能（AI）的应用正深刻改变着疾病诊断、治疗方案制定和健康管理的模式。然而，医疗数据的隐私保护需求与深度学习模型训练所需的大规模、多样化数据集之间的矛盾日益凸显。电子健康记录（EHR）包含患者的敏感信息，严格的隐私法规如欧盟人工智能法案限制了其直接使用，而数据稀缺、类不平衡和数据缺失等问题也严重制约了模型的性能提升。如何在保护患者隐私的前提下，生成高质量的合成健康记录（SHR）以满足研究和应用需求，成为数字医学领域的关键挑战。
为应对这一难题，瑞典梅拉达伦大学（M?lardalen University）的研究人员开展了一项关于生成式 AI 模型合成医疗文本、时间序列和纵向数据的研究。该研究成果发表在《npj Digital Medicine》上，通过系统性综述，分析了 52 篇相关文献，揭示了不同数据模态下的最优模型选择、研究目标及现存问题，为医疗数据合成领域提供了重要的理论和方法支持。
研究主要采用了文献计量分析和分类归纳的方法。通过 PubMed、Scopus 和 Web of Science 数据库检索相关文献，经筛选后纳入 52 篇符合标准的研究。研究团队从数据模态（医疗文本、时间序列、纵向数据）、生成模型（生成式对抗网络 GANs、变分自编码器 VAEs、大语言模型 LLMs 等）、研究目标（隐私保护、数据稀缺、类不平衡、数据插补）等维度进行分类，并总结了各模型的性能评估指标和关键数据集。
研究结果
医疗时间序列数据生成
22 项研究聚焦医疗时间序列生成，以心电图（ECG）和脑电图（EEG）为主。生成式对抗网络（GANs）是最常用的方法，在数据稀缺场景中表现突出，如通过时间序列 GAN（TTS-GAN）处理长序列数据。扩散模型在生成 ECG 时因捕捉长期依赖关系优于 GANs，但存在计算成本高的问题。研究目标以数据稀缺（12 项）和隐私保护（6 项）为主，类不平衡和数据插补研究较少。
医疗纵向数据生成
17 项研究围绕纵向数据展开，涵盖肾脏疾病、帕金森病等多类疾病。隐私保护是核心目标（16 项），GANs 及其改进模型（如层次自回归语言模型、图神经网络）为主要方法，能够有效捕捉电子健康记录（EHR）的时间特征和图结构。概率模型（如贝叶斯网络）在部分研究中用于估计纵向数据分布，但存在多元关系保留不足的问题。
医疗文本数据生成
13 项研究针对医疗文本，涉及临床笔记、病理报告等。大语言模型（LLMs）如 GPT-2/3 表现出显著优势，可生成多语言文本并通过医生图灵测试验证临床相关性。生成对抗网络（GANs）在中文电子健康记录（EHR）生成中有所应用，但长文本生成能力受限。隐私保护是主要目标（9 项），数据稀缺场景下 LLMs 通过迁移学习提升性能。
研究结论与讨论
研究表明，不同数据模态对应最优生成模型：GANs 主导时间序列生成，概率模型适用于纵向数据，LLMs 在文本生成中表现卓越。隐私保护贯穿所有研究，而数据稀缺和类不平衡问题通过合成数据得到有效缓解。然而，领域仍存在显著挑战：缺乏统一的性能评估指标，尤其是重识别风险的量化方法；公共数据集多聚焦重症患者，缺乏多样化人口特征；模型可解释性和跨语言应用能力不足。
该研究的创新性在于首次系统性整合多模态医疗数据生成模型，并提出包含数据模态、模型类型和研究目标的分类框架。其意义不仅在于为研究者提供模型选择的参考指南，更推动了合成健康记录在临床研究、算法训练和隐私保护中的实际应用，为突破医疗数据瓶颈、促进数字医学发展奠定了基础。未来研究需进一步优化模型效率、增强隐私保护机制，并探索多模态数据融合的生成方法，以实现更真实、更安全的医疗数据合成。
