《International Journal of Epidemiology》：Can synthetic data reproduce real-world findings in epidemiology? A replication study using adversarial random forests
编辑推荐：
摘要翻译：
背景：合成数据具有巨大潜力，可应对流行病学中因数据访问受限和隐私问题带来的实际挑战。然而，许多现有方法存在质量有限、计算需求高以及对非专家而言过于复杂的问题。此外，常见的合成数据评估策略往往无法直接反映统计效用，且对隐私风险的衡量不充分。在此背
摘要翻译：
背景：合成数据具有巨大潜力，可应对流行病学中因数据访问受限和隐私问题带来的实际挑战。然而，许多现有方法存在质量有限、计算需求高以及对非专家而言过于复杂的问题。此外，常见的合成数据评估策略往往无法直接反映统计效用，且对隐私风险的衡量不充分。在此背景下，一个关键的尚未充分探索的问题是：合成数据能否在保护隐私的同时可靠地重现流行病学研究的关键发现。
方法：研究人员提出将对抗随机森林（adversarial random forests, ARF）作为一种高效且便捷的表格型流行病学数据合成方法。为评估其性能，研究人员复制了六篇流行病学出版物的统计分析，涵盖血压、人体测量学、心肌梗死、加速度测量、孤独感和糖尿病，数据来自德国国家队列（NAKO Gesundheitsstudie）、不来梅STEMI登记U45研究（Bremen STEMI Registry U45 Study）和圭尔夫家庭健康研究（Guelph Family Health Study）。研究人员进一步评估了数据集维度和变量复杂性对合成数据质量的影响，并通过与常用表格数据合成器在效用、隐私、泛化能力和运行时间方面的比较，对ARF的性能进行了情境化分析。
结果：在所有复制研究中，基于ARF生成的合成数据所得到的结果均与原始发现一致。即使在样本量与维度之比较低的 datasets中，复制结果在描述性和推断性分析中仍与原始结果高度吻合。降低维度和变量复杂性进一步提升了合成质量。相对于其他合成器，ARF在效用、隐私保护和泛化能力方面表现出良好性能，并具有卓越的计算效率。
结论：总之，ARF能够可靠地生成高质量合成数据，可复制多样化的流行病学分析，同时提供具有竞争力的隐私–效用权衡。
论文解读：
**研究背景与问题**
流行病学研究中，健康相关数据受到严格隐私法规（如美国的《健康保险携带和责任法案》及欧盟的《通用数据保护条例》）保护，数据访问申请流程耗时数月，严重制约了研究效率。生成式人工智能（generative artificial intelligence, AI）在文本和图像数据领域取得了显著成功，有望通过生成真实且保护隐私的合成健康数据来应对这一挑战。然而，对于表格型健康数据（行代表个体观测，列代表变量），高质量的合成与评估仍存在诸多困难：现有方法缺乏金标准，许多新方法不支持缺失值、未集成于维护良好的软件包，且多在标准机器学习数据集上进行评估，其评估指标难以在应用研究中解释，对隐私的评估也往往不足。在此背景下，一个关键且尚未充分探索的问题是：合成数据能否在保护隐私的同时，可靠地重现流行病学研究的关键发现？
**研究目的与设计**
研究人员提出将对抗随机森林（adversarial random forests, ARF）——一种专为表格数据设计的生成式AI方法——用于合成流行病学表格数据。ARF以随机森林为基础，通过迭代学习数据依赖关系，在局部假设变量独立并进行单变量密度估计，最终构建全局混合分布以生成数据。ARF以R包形式发布，易于非机器学习专家使用，计算效率高。为验证其实用性，研究人员基于德国国家队列（NAKO Gesundheitsstudie）、不来梅STEMI登记U45研究（BSR-U45）和圭尔夫家庭健康研究（GFHS）的数据，复制了六项流行病学研究的统计分析，涵盖血压、人体测量学、心肌梗死、加速度测量、孤独感和糖尿病等主题。此外，研究人员还评估了数据集维度和变量复杂性对合成数据质量的影响，并与多种常用表格数据合成器（如synthpop、贝叶斯网络、PrivBayes、CTGAN、TVAE）在效用、隐私、泛化能力和运行时间方面进行了系统比较。
**主要技术方法**
研究涉及的核心技术方法包括：1）使用ARF生成合成数据，该算法基于随机森林迭代区分原始数据与变量置换后的构造数据，从而学习数据流形划分并进行局部单变量密度估计；2）对每个原始数据集训练100个ARF模型，每个模型采样20次，共生成2000个合成数据集；3）采用复制分析方法，将原始研究的统计估计与基于合成数据的估计进行比较，使用95% bootstrap百分位置信区间（CI）量化不确定性，并报告平均绝对标准化差（MASD）和平均置信区间重叠（CIO）作为汇总指标；4）额外评估隐私风险、泛化能力和运行时间，并考察ARF最小节点大小这一超参数的影响。数据来源包括上述三个队列，原始数据集规模从262到113527不等，维度从7到47不等，涵盖连续、分类及缺失值等多种复杂情况。
**研究结果**
*下游效用（一般合成）*：在Schikowski等的研究中，利用包含98332名参与者和7个变量的数据集，ARF合成数据在血压测量差异分析中与原结果高度一致（MASD=0.85，CIO=0.823），支持了原文所有结论。在Fischer等的研究中，数据集包含101557名参与者和12个变量，超过三分之一的缺失值，但合成数据在描述皮下和内脏脂肪组织厚度的直方图中仍与原分布非常接近（Wasserstein距离≤0.005）。在Wienbergen等的病例对照研究中，针对1713名参与者和12个变量，ARF合成数据成功复制了“表1”的描述性统计和逻辑回归结果（表1的MASD=0.664，CIO=0.863；回归的MASD=0.746，CIO=0.824），尽管对高血压等稀有类别的估计存在较大相对偏差，但95% CI仍覆盖原始值。在Breau等的研究中，尽管数据集仅有262名参与者和28个变量（含34个类别），合成数据仍较好地匹配了原始发现（MASD=0.834，CIO=0.788），支持了所有主要结论，但标准误和亚组大小的精确度有所下降。
*维度和衍生变量的影响（任务特定合成）*：在Berger等的研究中，原始数据集包含113527名参与者和47个变量（含230个类别），一般合成结果（MASD=4.24，CIO=0.294）与原始结果有部分重叠，但在性别和关系变量上偏差较大；而使用仅包含9个最终变量的任务特定合成后，结果显著改善（MASD=2.313，CIO=0.602）。在Tanoey等的研究中，针对1型糖尿病风险，基于19个变量的一般合成结果与原始结果相当（MASD=1.194，CIO=0.712），而使用8个衍生变量的任务特定合成则极大提升了复制精度（MASD=0.135，CIO=0.953）。
*竞争性能：隐私、泛化与运行时间*：跨数据集比较显示，ARF在效用方面始终位居合成器前列，不同最小节点大小（2、5、10）下差异较小。较小的节点大小通常提升效用，但可能增加隐私风险，体现了预期的效用–隐私权衡。ARF在六个数据集中的四个上达到或超越了备选方法的效用–隐私权衡，其余两个中排名第二。泛化分析结果一致，表明ARF并未简单记忆训练分布。运行时间方面，ARF在最大数据集上的训练和采样在35秒内完成，而备选方法需要6至36分钟。
**讨论与结论**
研究表明，ARF能够在无需调整参数的情况下，跨不同数据规模和维度的流行病学研究中生成与原始发现高度一致的合成数据。较高的参与者与维度比通常带来更接近的结果，因此在实际应用中建议尽可能将数据限制在后续分析所需的变量，并在合成前完成必要的变量衍生。ARF在效用与隐私风险之间取得了良好平衡，且计算速度远超常用替代方法。最小节点大小对该权衡有影响，在实践中隐私敏感应用可考虑使用稍大的值（如5或10）。本研究的优势在于针对多种真实世界数据集和分析类型进行了以流行病学为重点的验证。未来方向可包括开发差分隐私版本的ARF，或扩展以处理极高维数据（如组学数据）。总之，在缺乏表格数据合成通用金标准的现状下，ARF为流行病学表格数据合成提供了一种实用且有价值的工具，在保持计算效率的同时，实现了具有竞争力的效用–隐私权衡。
