의료 분야에서 가장 흔한 유형의 데이터는 표 형태(테이블) 데이터이며, 이는 의료 AI 분야에서 높은 중요성과 잠재력을 지닌다. 그러나 개인정보 보호에 대한 우려로 인해 표 형태 데이터의 광범위한 활용이 저해되어 왔다. 합성 데이터가 실행 가능한 해결책으로 등장했음에도 불구하고, 의료 표 형태 데이터(HTD) 생성은 각 기록 내 변수들 간의 광범위한 상호의존성이 다양한 임상적 특성, 즉 민감정보를 포함한다는 점 때문에 복잡하다. 이러한 문제를 극복하기 위해, 본 연구에서는 HTD 데이터셋 내에서 잠재적으로 존재할 수 있는 변수 간의 관계를 효과적으로 고려할 수 있는 합성 데이터를 생성하기 위한 표 변환기 생성적 적대 신경망(tabular transformer generative adversarial network, TT-GAN)을 제안하였다. 변환기(Transformer)는 다중 어텐션 메커니즘을 통해 각 기록 내 열(columns) 간의 관계를 고려할 수 있다. 또한 환자 정보에서 민감 데이터가 복원될 잠재적 위험을 해결하기 위해, 암묵적 기반 알고리즘을 보장하기 위해 생성적 적대 신경망(GAN) 아키텍처에 Transformer를 적용하였다. HTD 데이터셋의 연속 변수들이 갖는 이질적 특성을 고려하기 위해, 이산화(discretization) 및 변환기(converter) 방법론을 적용하였다. 실험 결과는 TT-GAN이 Conditional Tabular GAN(CTGAN)과 copula GAN보다 우수한 성능을 확인시켰다. 본 제안된 Transformer 알고리즘에서 이산화 및 변환기가 효과적임이 입증되었다. 그러나 동일한 방법론을 이산화 및 변환기 없이 Transformer 기반 모델에 적용한 경우, 성능이 유의하게 열등하였다. CTGAN과 copula GAN은 이산화 및 변환기 방법론에서 최소한의 효과만을 보였다. 따라서 TT-GAN은 의료 분야에서 상당한 잠재력을 보여주었으며, 실제 의료 데이터셋과 매우 유사한 인공 데이터를 생성할 수 있음을 입증하였다. 다항(polynomial), 이산(discrete), 연속(continuous) 변수 등 서로 다른 유형의 혼합 변수들을 효율적으로 처리하는 알고리즘의 능력은 건강 관리 연구 및 데이터 합성에서의 다양성과 실용성을 보여준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.