Generazione di Dati Sintetici per l'AI in Medicina

La difficoltà di accedere a dati reali nel settore clinico rappresenta un ostacolo significativo per lo sviluppo di modelli di intelligenza artificiale efficaci per la diagnostica e la prevenzione. L'IA generativa offre una soluzione promettente per aumentare la quantità di dati e migliorare l'addestramento dei modelli, come già dimostrato in computer vision ed elaborazione del linguaggio naturale (NLP).

TransConv-DDPM: Un Nuovo Approccio

Un nuovo studio introduce TransConv-DDPM, un metodo di IA generativa avanzato per la creazione di dati biomeccanici e fisiologici in forma di serie temporali. Il modello si basa su un modello di diffusione probabilistico di denoising (DDPM) con U-Net, moduli di convoluzione multi-scala e un layer transformer. Questa architettura permette di catturare sia le dipendenze temporali globali che locali.

Risultati Promettenti

TransConv-DDPM è stato valutato su tre dataset diversi, generando sia serie temporali lunghe che brevi. I risultati, confrontati con metodi all'avanguardia come TimeGAN e Diffusion-TS, mostrano performance promettenti, in particolare sui dataset SmartFallMM ed EEG. L'aggiunta di dati sintetici generati da TransConv-DDPM ha migliorato le prestazioni di un modello predittivo sul dataset SmartFallMM, con un aumento del 13.64% nel punteggio F1 e del 14.93% nell'accuratezza complessiva rispetto al modello di base addestrato solo sui dati reali.