数据预处理与质量控制
处理原始数据中的噪声和长尾分布，为生成建模提供干净数据。
采用LOF算法识别局部异常值并用中位数替换，对低频类别进行合并，以缓解高维稀疏性。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
CLEO闭环框架用于合成医学隐私保护表格数据
CLEO closed loop framework for synthesizing medical privacy preserving tabular data
实验完整度
高包含GMM生成、Q学习优化、TSTR下游效用评估、DCR/NNAA隐私审计及消融实验等多个独立证据层级，并进行功能与机制验证。
主要模型
颅内动脉瘤患者队列（1035例，多中心） GMM生成模型 Q-learning优化智能体
重点核对
数据集划分：训练:验证:测试=80:10:10，分层抽样 GMM超参数搜索空间：K∈{5,10,…,30}，max_iter∈{100,200,300}，n_init∈{1,3,5} 强化学习设置：学习率α=0.1，折扣因子γ=0.95，探索衰减0.995，最小探索率0.01 TSTR评估：15个独立随机种子，AUC等指标 隐私审计：DCR和NNAA指标
摘要
患者级结构化数据的共享受到隐私法规和治理的严格限制，造成“数据孤岛”，阻碍多中心研究。我们提出了CLEO（Clean-Learn-Evaluate-Optimize），一个闭环框架，将高斯混合模型生成器与基于Q学习的优化相结合，将数据合成形式化为马尔可夫决策过程。在一个多中心颅内动脉瘤数据集上的实验结果表明，CLEO的综合得分为0.9232 ± 0.0124，优于评估的代表性比较方法，包括TVAE、Gaussian Copula和CTGAN。在下游TSTR评估中，基于CLEO生成数据训练的模型实现了平均AUC为0.7376，表明合成数据保留了有用的临床决策信号。然而，Macro-F1结果也表明少数类预测仍受类别不平衡分布的影响。经验隐私审计显示，最近邻对抗准确度得分为0.4940，表明在所采用的最近邻审计设置下观察到的重识别风险较低。这些发现表明，当真实世界医疗数据无法直接聚合时，CLEO为支持跨机构研究提供了一个可控且经验上可审计的框架。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 如何在保护患者隐私的前提下，生成保持统计保真度和下游效用的医学表格数据，以支持跨机构研究？
- 核心机制
- CLEO将数据合成形式化为马尔可夫决策过程，通过Q-learning智能体根据保真度和效用反馈自适应调整GMM超参数，实现统计保真与下游效用的权衡优化。
- 主要证据
- 在多中心颅内动脉瘤数据集上，CLEO的综合得分（0.9232）优于Gaussian Copula、TVAE、CTGAN；TSTR评估中AUC达0.7376，表明保留了临床决策信号；DCR和NNAA指标显示低重识别风险；消融实验证实RL优化模块对效用提升的贡献。
- 研究意义
- CLEO为真实世界医疗数据无法直接聚合时提供了一种可控、经验可审计的合成数据生成框架，可能作为小样本临床研究的数据增强工具，支持跨机构研究。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
GMM生成模型训练与合成
利用清洁数据训练GMM，生成合成表格数据。
使用GMM对清洁数据进行密度估计，通过EM算法估计参数，并生成合成数据，再进行逆变换和生理范围后处理。
质量评估（保真度、效用、隐私）
从统计保真度、下游效用和隐私风险三个维度评估合成数据质量。
计算KS、JS、TVD、相关性等保真度指标；采用TSTR范式评估效用；使用DCR和NNAA审计隐私。
闭环优化（Q-learning）
根据评估反馈自适应调整GMM超参数，优化合成数据质量。
将合成过程形式化为MDP，使用Q-learning智能体探索超参数空间，更新Q表，迭代优化。
模型比较与消融研究
评估CLEO相对其他生成模型的性能，以及各模块的贡献。
与TVAE、CTGAN、Gaussian Copula比较；设置无反馈、无RL等变体进行消融实验。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 生成建模 | 高斯混合模型 | -- | -- |
| 数据预处理 | scikit-learn | -- | -- |
| 数据处理 | pandas | -- | -- |
| 模型实现 | Python 3.9 | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 数据预处理 | LOF邻居数为20，contamination='auto'；类别合并阈值N<5 阅读提示：Methods: Data preprocessing and quality control |
| 数据划分 | 采用分层抽样，按80:10:10划分训练、验证、测试集，训练集828例、验证集103例、测试集104例 阅读提示：Methods: Data source and research task |
| GMM生成 | GMM参数：n_components∈{5,10,…,30}，max_iter∈{100,200,300}，n_init∈{1,3,5}，covariance_type='full'，random_state=42 阅读提示：Methods: The CLEO closed-loop synthesis framework; Table 7 |
| Q-learning优化 | 状态空间4维，动作空间54，学习率α=0.1，折扣因子γ=0.95，探索衰减0.995，最小探索率0.01，30个episode 阅读提示：Methods: The CLEO closed-loop synthesis framework; Table 8 |
| 效用评估 | TSTR评估使用15个独立随机种子，采用随机森林、梯度提升、XGBoost，评估AUC等指标 阅读提示：Methods: Implementation details and reproducibility; Results: Detailed downstream utility analysis |