用于预测心血管血流动力学变量的深度学习模型训练中合成冠状动脉模型的评估与优化

《Computer Methods and Programs in Biomedicine》：Evaluation and Optimisation of Synthetic Coronary Artery Models in Training of DL Model Predicting Cardiovascular Haemodynamic Variables

　　

摘要
背景与目标
生成高保真合成患者数据已成为应对人工智能（AI）方法训练挑战的热门解决方案，这些挑战包括数据稀缺、患者隐私保护以及可扩展训练数据集的需求。本文提出了一种从X射线冠状动脉造影生成、评估和优化合成冠状动脉表面几何形状的框架，采用了多种方法。

方法
采用患者数据增强（PDA）、形态等效合成模型（MESM）、条件表格生成对抗网络（CTGAN）和Copula生成合成数据。引入了包含七个关键指标的严格测试框架来评估每种方法，涵盖数据保真度、效用和隐私。

结果
虽然PDA提供了最高的保真度，但计算成本高昂且存在隐私风险。相比之下，完全合成的MESM方法快速、安全且可扩展，尽管最初不够真实。为此，我们实现了遗传算法，在测试框架的多个维度上优化MESM队列。单目标优化使与真实患者数据的对齐提高了14%，多目标优化提高了11%。

结论
本文引入了一种系统，用于生成优化的、隐私保护的合成数据集，同时在下游深度学习任务中保持有竞争力的性能。

引言
人工智能（AI）（通常以机器学习（ML）的形式）的采用一直是许多行业的前沿，医疗领域也不例外。AI模型，特别是深度学习（DL）模型，通常需要大量数据样本进行训练以避免过拟合。然而，在医疗领域，AI解决方案通常在有限的数据集上进行训练，导致数据稀缺问题。此外，特别是在健康领域，数据通常具有敏感性，因此难以分发。这引发了其他考量，如数据的隐私和安全，甚至数据质量[36]。

缺乏更大的现实数据集和真实患者数据推动了合成数据生成的研究。合成数据需要遵循真实数据的分布并捕捉特征之间的相关性以使其合理[22]。在医疗领域，患者隐私保护也尤为重要。一些研究人员专门关注合成数据效用的评估[34]，而另一些人则专注于评估差分隐私[44]。例如，TrGAN被引入用于从条件于肿瘤掩膜的头部和颈部PET图像中合成新数据，同时调查可能泄漏多少私人患者信息，发现判别器高度易受攻击（AUC = 0.99），而生成器几乎安全（AUC = 0.51）[6]。同样，另一项研究使用GAN生成合成医学影像胸部X光片和脑部CT用于数据共享。他们使用在合成数据与真实数据上训练的分类器的模型性能来评估成功情况，甚至进行了放射科医生阅片研究，确保这些合成图像不会损害隐私[15]。在心血管领域，从MIT-BIH心律失常数据库合成的合成心电图（ECG）通过针对隐私风险的成员推断测试进行了评估，但未对临床保真度指标进行全面评估[7]。

典型的合成数据生成方法涵盖从传统统计方法到形状建模，甚至包括DL。评估合成生成数据的正确性至关重要，一些研究引入了一系列指标以帮助确定数据集的真实性[22]。其他研究引入了围绕数据安全和差分隐私的指标[44]。在生成合成数据时，数据效用与其安全性的权衡仍然是一个重要的考量。

最常用的数据生成方法包括统计或概率方法，通过从原始数据集特征的分布中进行采样来工作。例如，Wang等人使用Copula和贝叶斯网络生成合成数据集[48]。数据集基于两个数据集建模：(1) 印度肝脏患者数据集，一个包含583名患者的人口统计学信息、生化测试结果为肝脏疾病诊断提供疾病标签的结构化临床数据集，以及(2) 英国初级保健数据集，一个大规模匿名电子健康记录集合，包括来自CPRD Aurum数据库的患者人口统计学、诊断、处方和实验室结果[49]。该工作评估了其合成数据集的效用和患者隐私。统计过采样技术也可进行评估，如Bae等人的研究使用增量SMOTE方法[5]，或在Garcia-Vicent等人的论文中，将过采样技术与线性和非线性监督ML方法（如逻辑回归、支持向量机和随机森林）相结合以训练预测模型来区分健康个体与患有心血管疾病（CVD）的个体[17]。

其他研究使用了AI/ML方法，如Dandekar等人使用线性回归、决策树、随机森林甚至神经网络创建合成生成数据进行了比较研究，以评估不同生成建模技术在重现真实数据集统计特性方面的表现，并评估来自不同领域（包括医疗、金融、电子商务等）的合成数据集对下游机器学习任务（如分类）的影响[13]。Akiya等人调查了在肿瘤学试验中使用使用以下方法生成的合成患者数据进行生存分析：随机森林（RF）、分类和回归树（CART）、贝叶斯网络（BN）和条件表格生成对抗网络（CTGAN）；他们报告CART观察到最佳性能[2]。

最近，许多人采用了生成式AI，更具体地说是生成对抗网络（GANs）或变分自编码器（VAEs）用于合成数据生成。Arvanitis等人利用GAN生成用于医疗保健应用的合成数据集，并使用Pearson相关系数、Jaccard相似度和K-S检验进行评估[4]。在此基础上，医学生成对抗网络（medGAN）被开发用于通过GAN和自编码器的组合生成合成患者记录，以学习电子健康记录（EHRs）中存在的临床特征分布，如诊断、药物代码、操作代码和其他变量[11]。多模态条件GAN（MMCGAN）通过将用于表格数据的条件GAN与用于3D图像合成的可变分辨率条件模型相结合来合成全分辨率3D图像数据[54]。此外，Deepsynth使用在合成数据上训练的神经网络引入了一种核分割技术，有助于数据标注[16]。此外，相关性捕获生成对抗网络（CorGAN）通过组合卷积自编码器和卷积生成对抗网络生成合成医疗记录，并使用分类和预测等ML方法评估该数据集，同时检查隐私[45]。这些进展突出了生成模型在产生跨多种模态的真实医疗数据方面的适应性。尽管如此，它们通常面临高计算成本、难以捕捉罕见案例以及隐私和效用之间未解决的权衡。这些局限性强调了在统一评估框架内对多种合成数据生成方法进行对比评估的需求。

最后，虽然许多合成数据生成方法已应用于各种医疗领域，但其有效性和可用性因数据类型而异。在冠状动脉建模的背景下（这是本研究的关键焦点），公开可用的数据集范围要有限得多。例如，MedShapeNet是一个包含计算机视觉3D医学形状的大规模数据集。该数据集包含超过100,000个形状，但仅包含从冠状动脉自动分割挑战（ASOCA）中收集的40条冠状动脉[29]。ASOCA挑战为从CT冠状动脉造影（CTCA）图像中自动测试和评估冠状动脉分割方法提供了框架，通过该框架Gharleghi等人开发了正常和病变CTCA的自动分割基准[18,19]。CADICA是另一个带有42例标注的有创冠状动脉造影（ICA）的标注数据集。ImageCAS则是一个更大的数据集，包含基于CT血管造影图像的1,000个冠状动脉分割[53]。

本研究有三个目标：首先，生成完全合成的形态等效数据集。其次，根据与保真度和安全相关的关键指标评估合成生成的数据。最后，探索使用测试框架指标作为目标函数优化完全合成数据集的可能性。

表1
各章节摘录

整体框架流程
我们在[3]中展示的工作基础上进行，其中引入了两种合成数据生成方法来从CT血管造影创建合成冠状动脉：患者数据增强（PDA）和形态等效合成模型（MESM）。这些数据集被用于训练DL模型以快速预测冠状动脉狭窄的生物力学疾病风险预测因子，即作用于血管内皮的血流切应力（WSS）。本文的总体目标是评估各种合成训练数据集的性能。

表3呈现了对五种合成数据方法的对比评估：CTGAN、Copula、PDA和MESM。对于MESM，指标为基线（MESMb）和总共550个随机样本中的2000个MESM样本中的总数集（MESMt）分别计算。使用测试框架指标评估这些方法：KL散度、KS统计量、PCD、聚类轮廓分数、分类准确率、WSS DL预测MAE，以及"单一"

各合成数据集的训练效率
结果表明，患者数据增强（PDA）在KL散度和KS统计量等分布相似性指标上优于其他方法。鉴于PDA依赖于真实患者几何形状的变换，这一结果是预期的。之前关于医学影像领域数据增强的研究表明，此类方法比生成模型更能有效地保留原始数据集的统计保真度，尽管可扩展性有限且

合成数据伦理声明
分析前已删除所有患者可识别字段。根据当地立法和机构要求，对涉及人类受试者的研究无需进行伦理审查和批准。根据国家立法和机构要求，本研究无需书面知情同意。

一般声明
伦理：分析前已删除所有患者可识别字段。根据当地立法和机构要求，对涉及人类受试者的研究无需进行伦理审查和批准。根据国家立法和机构要求，本研究无需书面知情同意。

代码和数据可用性
实现合成数据生成方法、评估测试框架和遗传算法优化管道的代码将在本手稿发表后在开放存储库中公开提供。本研究生成的合成队列可使用此代码重新生成。基础真实患者几何形状源自临床队列，由于数据保护和伦理限制，无法公开分享。

利益冲突
JJ声明从Boehringer Ingelheim、F. Hoffmann-La Roche、GlaxoSmithKline、NHSX获得的咨询费；来自Boehringer Ingelheim、F. Hoffmann-La Roche咨询委员会的费用；来自Boehringer Ingelheim、F. Hoffmann-La Roche、Takeda的讲课费；来自GlaxoSmithKline、Microsoft Research、Gilead Sciences和Chan Zuckerberg Initiative（CZIF2024009938）的研究资助。

伦理声明
分析前已删除所有患者可识别字段。根据当地立法和机构要求，对涉及人类受试者的研究无需进行伦理审查和批准。根据国家立法和机构要求，本研究无需书面知情同意。

CRediT作者贡献声明
Salwa Alamir：撰写–原稿，软件，方法论，形式分析，概念化。Vincenzo Tufaro：撰写–审查与编辑，数据整理。Christos V. Bourantas：撰写–审查与编辑，资源。Andreas Baumbach：撰写–审查与编辑，资源。Qianni Zhang：撰写–审查与编辑。Joseph Jacob：撰写–审查与编辑，监督。Ryo Torii：撰写–审查与编辑，监督，资源，方法论，概念化。

Salwa Alamir | Vincenzo Tufaro | Christos V. Bourantas | Andreas Baumbach | Qianni Zhang | Joseph Jacob | Ryo Torii
英国伦敦大学学院机械工程系