基于模糊认知图的临床决策支持可解释合成医疗表格数据生成

作者：Michael Vasilakakis (1)，Dimitris K. Iakovidis (1)（(1) 希腊拉米亚色萨利大学计算机科学与生物医学信息学系）

摘要：当真实临床数据因隐私、伦理或数据可用性限制而受限时，合成医学表格数据生成已成为开发和验证计算机化医疗系统（CBMS）的关键。现有的概率模型和深度生成模型往往缺乏可解释性，且无法保留具有临床意义的依赖关系，限制了其在安全关键应用中的适用性。本文提出了一种模糊认知图（FCM）的新应用，将其用于具有显式因果性和隐私保护的合成医学表格数据生成框架。临床特征使用语言上可解释的模糊集来描述，特征间依赖关系被编码为根据模糊集交集计算得到的 FCM 边权重。合成患者记录通过将随机初始化的语言激活向量在 FCM 中传播直至收敛来生成，随后进行去模糊化以产生临床连贯的数值。该方法原生支持混合数据类型以及健康记录中常见的领域约束。在 UCI 医学基准数据集上的实验评估表明，在“合成数据训练、真实数据测试”（TSTR）协议下具有有竞争力的性能。所提方法在心脏病数据集上达到最高 0.81 的准确率和最高 0.90 的 AUROC，在仅使用 CPU 运行的情况下达到或超过 TVAE 和高斯 Copula 基线。包括 KS 补集（最高 0.91）和相关性相似度（最高 0.95）在内的保真度指标证实了较强的统计一致性，DCR 基线保护分数始终高于 TVAE，证实了充分的隐私保障。这些结果表明，基于因果的可解释模糊建模为 CBMS 中可信的合成数据生成提供了一种计算高效且透明的深度生成模型替代方案。

评论：	6 页，2 幅图，1 张表。已被 2026 年 IEEE 第 39 届国际计算机化医疗系统研讨会（CBMS，塞浦路斯利马索尔）接收发表
主题：	机器学习（cs.LG）；人工智能（cs.AI）
引用为：	arXiv:2610.00391 [cs.LG]
	（或本版本使用 arXiv:2610.00391v2 [cs.LG]）
	https://doi.org/10.48550/arXiv.2610.00391 由 DataCite 颁发的 arXiv DOI
期刊参考：	2026 年 IEEE 第 39 届国际计算机化医疗系统研讨会（CBMS）
相关 DOI：	https://doi.org/10.1109/CBMS69103.2026.00037 链接到相关资源的 DOI

提交历史

来自：Dimitris Iakovidis [查看电子邮件]
[v1] 2026 年 9 月 30 日星期三 11:15:59 UTC（476 KB）
[v2] 2026 年 10 月 27 日星期二 11:24:12 UTC（479 KB）