基于效用分析的统计方法与深度学习模型在合成数据生成中的对比研究：聚焦相关性结构重建的算法开发与验证

本研究针对医疗数据合成中复杂关联结构难以准确复现的挑战，系统评估了synthpop、copula、GANs等6种合成数据生成(SDG)方法在模拟和真实医学数据集中的表现。研究发现统计方法（尤其是synthpop）在保持数据相关性和下游任务效用（F1 -score和pMSE指标）方面显著优于深度学习方法，为医疗AI开发中隐私保护数据合成提供了方法论指导。

　　

在医疗人工智能领域，真实患者数据的隐私保护和有限可用性始终是制约技术发展的瓶颈。虽然生成对抗网络(GANs)和大语言模型(LLMs)等深度学习技术为数据合成开辟了新途径，但现有方法在复现医学数据中复杂的变量关联结构时仍面临重大挑战——这些关联结构可能涉及症状、诊断指标和治疗结果之间错综复杂的相互作用。更棘手的是，不准确的关联重建可能导致合成数据产生统计偏差，进而影响下游机器学习模型的决策可靠性，甚至可能放大原始数据中的伦理偏见。

针对这一关键问题，研究人员开展了一项系统性研究，通过精心设计的模拟实验和真实医疗数据集验证，首次全面比较了统计方法与深度学习模型在保持数据相关性结构方面的性能差异。论文发表在《JMIR AI》期刊，为医疗数据合成领域提供了方法论层面的重要参考。

研究采用多维度技术路线：首先通过Cholesky分解构建具有不同相关性衰减率（0.1强正相关、0.3弱正相关、0.25交替相关）的模拟数据集；选用威斯康星乳腺癌诊断(569例)、糖尿病预测(768例)和身体机能评估(13,393例)三类真实医疗数据集；评估synthpop、copula、copulagan、ctgan、tvae和基于DistilGPT-2的LLM等6种SDG方法；采用相关性矩阵差异、倾向得分均方误差(pMSE)和F₁
-score等指标量化数据效用；通过随机森林(RF)的变量重要性度量(VIMP)解析特征选择偏差。

相关性距离与效用比较
模拟数据显示，统计方法在所有样本量(500-10,000)和相关性结构中均保持稳定优势。synthpop在0.25交替相关的高复杂度场景下，相关性矩阵差异仅为0.12，显著优于表现最好的深度学习模型tvae(差异0.38)。值得注意的是，当特征-目标变量相对相关性比例保持时，即使绝对相关性差异较大（如LLM在1000epochs时），下游任务F₁
-score仍可维持在0.7以上。

真实数据集验证
在身体机能数据集中，copulagan出人意料地获得最佳pMSE值(0.08)，这归因于其对整数型变量（如仰卧起坐计数）的特殊处理能力。然而在分类任务中，synthpop仍以F₁
-score 0.81领先，凸显统计方法在保持数据功能性关联方面的优势。乳腺癌数据集则显示，深度学习模型在300epochs训练时F₁
-score波动达±0.15，而统计方法标准差始终<0.05。

典型结果深度解析
对10,000样本/0.25交替相关的典型案例分析揭示：ctgan(300epochs)会过度放大特征-目标相关性（如X₃
相关性从0.21增至0.39），导致其permutation importance出现特征误判；而LLM虽然整体低估相关性，但因保持了关键变量X₁
-X₄
的相对权重，仍维持了可接受的预测效能。

讨论与结论
这项研究确立了统计方法在常规医疗数据合成中的主导地位——synthpop不仅计算效率高（CPU分钟级vs GPU小时级），在相关性保持和下游任务效用方面也展现显著优势。深度学习模型虽在特殊场景（如混合数据类型处理）显示潜力，但需要万级epochs训练才能接近统计方法的基线性能，且LLM表现尤其令人失望。研究创新性地证明，模型效用更多取决于特征-目标变量相对相关性的保持程度，而非绝对相关性矩阵差异，这一发现为SDG算法优化提供了新视角。

该成果对医疗AI发展具有双重意义：方法学层面确立了中等复杂度数据合成的黄金标准；实践层面指导研究者根据数据类型（连续/离散）、样本量和计算资源，在统计效率与模型复杂度之间做出平衡选择。未来研究需进一步探索超高维医学数据（如组学数据）的合成方法，并评估扩散模型等新兴技术的应用潜力。