Skip to content

Generative Adversarial Networks and Its Applications in Biomedical Informatics

Lan, Lan; You, Lei; Zhang, Zeyang et al. · 2020 · Frontiers in Public Health

Metadata

Authors: Lan, Lan; You, Lei; Zhang, Zeyang; Fan, Zhiwei; Zhao, Weiling; Zeng, Nianyin; Chen, Yidong; Zhou, Xiaobo

DOI: 10.3389/fpubh.2020.00164

Tags: #deep-learning

概述（Overview）

摘要概述

本文是面向生物医学信息学的叙述性综述，先说明 GAN 的 minimax 原理及 CGAN、DCGAN、f-GAN、WGAN 等变体，再按数字图像、医学影像、医疗信息学和生物信息学四个应用域整理文献。其核心结论是，GAN 能以合成样本缓解标注稀缺、类别失衡和跨模态无配对问题；单 GAN 主要用于同模态增强，Cycle-GAN 可在无配对数据上学习 MRI–CT 等转换。作者也强调医学合成数据仍须以真实数据验证，且小样本、mode collapse、数据流/损失设计、3D 表征和可解释性构成关键限制。文章的证据主要是代表性既有研究而非系统比较或原创临床验证，故适合作为 2020 年前 GAN 生物医学应用的概念入口，不应据此推断具体模型的临床安全性或泛化性能。

综述问题、范围与选择标准

  • 要回答的问题：GAN 的基本机制和常见变体是什么？它们如何用于医学图像、EMR/EHR 和组学数据的生成、增强、转换、预测与插补？
  • 覆盖范围：涵盖 2014 年 GAN 提出至 2020 年发表前的数字图像处理、医学影像处理、医疗信息学和 bioinformatics 案例；对象包括 2D/3D 图像、MRI/CT、EHR 时序及离散数据、scRNA-seq、Hi-C、DNA 与蛋白结构（Introduction；Table 1–4, PDF p.1、4、6、8、10）。
  • 文章性质：narrative review。
  • 文献选择方法：作者称在顶级计算机会议与 Google Scholar 以 GAN 相关关键词检索，团队先按摘要筛选数字图像、医学影像、医疗信息学及生物信息学中与主题最相关的文章，再通读入选文章；未报告检索式、日期、数据库完整范围、纳排标准或 PRISMA 流程（Introduction, PDF p.1–2）。

主题综合

主题 1：GAN 的对抗目标与变体试图处理稳定性和可控性

  • 核心论点：基础 GAN 让 generator 从潜在噪声生成样本、discriminator 区分真实/合成样本，以 minimax 目标逼近数据分布；CGAN 加条件标签以控制生成，DCGAN 以卷积与 batch normalization 改善图像训练，WGAN 以 Wasserstein 距离缓解不重叠分布时的训练不稳定。
  • 代表证据定位：Eq. 1–6, PDF p.2–3；“Development History of GAN”, PDF p.3–4；Table 1, PDF p.4。
  • 共识程度：稳固，关于基本目标和各模型定义的论述直接基于原始方法文献（引用 1、26、30–32）。
  • 分歧或限制：作者指出原始 GAN 存在 vanishing gradient、训练困难和多样性差；WGAN 的理论条件及实际稳定性并不自动保证临床数据的 fidelity、privacy 或效用（PDF p.3–4）。

主题 2：医学影像中，生成与无配对转换可扩充训练数据但会受域差异限制

  • 核心论点：图像标注昂贵、病例数据少时，GAN 可生成同模态合成图像以增强分类/分割；Cycle-GAN 用双向映射和 cycle consistency 在无配对域间转换，适用于 MRI–CT 等共享解剖内容的多模态合成。
  • 代表证据定位："Application of GAN in Medical Image Processing", PDF p.5–7；Table 2, PDF p.6；Fig. 2–3, PDF p.6–7；Conclusion, PDF p.11–12。
  • 共识程度：有限。作者以案例支持：肝病灶 CT 合成增强使分类 accuracy 从 77.5% 提升至 85.0%（引用 65，PDF p.6）；Cycle-GAN 可在无配对 MRI/CT 上转换，并可与 segmentation network 联合训练（PDF p.6–7）。
  • 分歧或限制：这些是异质任务的单篇结果，未给统一外部验证；当域间视觉内容差异显著时转换会受影响，头部 CT 不能由腹部 CT、腿部 MRI 等直接生成；3D 特征学习、non-convergence 和 model collapse 仍是挑战（Conclusion, PDF p.11–12）。

主题 3：医疗信息学中的合成 EHR 既有数据可用性潜力，也有未解决的效用与隐私验证问题

  • 核心论点：medGAN/其变体将 autoencoder 与 GAN 结合，可生成高维、多标签的离散诊断、用药和操作记录；recurrent/conditional GAN 可模拟连续临床时序，辅助罕见病检测和风险预测的数据增强。
  • 代表证据定位："Application of GAN in Medical Informatics", PDF p.7–9；Table 3, PDF p.8；Fig. 4, PDF p.8；Conclusion, PDF p.11–12。
  • 共识程度：有限。作者归纳 medWGAN/medBGAN 在对照中优于 medGAN，LSTM-based GAN 的 "Train on Synthetic, Test on Real" 在 eICU 任务上有时接近真实数据训练性能，罕见病半监督 GAN 的 precision–recall/AUC 比基线高 5%（引用 85、88、89，PDF p.8–9）。
  • 分歧或限制：生成数据的真实度评估和将其用于解决医学问题的方式仍有争议，文章明确要求真实数据验证；文中没有提供 re-identification/privacy attack 或临床部署评价（Conclusion, PDF p.11–12）。

主题 4：生物信息学应用以生成、增强和插补为主，仍处于早期阶段

  • 核心论点：GAN 被用于 scRNA-seq 生成/类别平衡、dropout 插补、Hi-C 超分辨率、DNA/蛋白设计和多组学预后特征学习，可减少部分实验需求并支持下游聚类、marker 检测或结构预测。
  • 代表证据定位："Application of GAN in Bioinformatics", PDF p.9–11；Table 4, PDF p.10；Conclusion, PDF p.11–12。
  • 共识程度：有限。scGAN/cscGAN 在 68,579 个 PBMC 上建模基因计数与基因间相关并可为稀有细胞类型扩增；DeepHiC 从 1% down-sampled reads 重建高分辨率 Hi-C 的案例被列为示例（PDF p.10–11）。
  • 分歧或限制：作者明确称领域仍早期，多数研究只比较生成数据与原数据相似性；相似性不能证明生物机制、细胞亚群比例或下游因果结论得到保留（Conclusion, PDF p.11–12）。

关键图表、Box 与分类框架

  • 定位：Table 1–4（PDF p.4、6、8、10）；Fig. 1–5（PDF p.5、6–9）。
  • 内容：四张表按图像处理、医学影像、医疗信息学和 bioinformatics 列代表论文、GAN 模型与数据集；Fig. 2 展示 Cycle-GAN 的双生成器/双判别器与 cycle consistency；Fig. 3 显示心脏 MRI→CT→重建 MRI 的示例；Fig. 4、5 概念化 LSTM-GAN 与生物信息学流程。
  • 价值：提供“问题类型—GAN 架构—数据集”的快速选型框架，尤其清楚区分同模态增强与无配对跨模态转换。
  • 局限：表格不报告一致的样本量、外部验证、fidelity、privacy 或临床效用指标；“public/private”数据列不能替代可复现实验审计。

共识、争议与研究空白

相对稳固的共识

GAN 可将对抗训练用于高维数据生成，CGAN、DCGAN、WGAN 与 Cycle-GAN 分别针对可控性、卷积图像建模、距离度量和无配对域转换提出不同设计（Eq. 1–6；PDF p.2–4）。

尚存争议

合成 EHR/EMR 是否在不泄露隐私的同时保留足够的临床预测效用，及应如何评估生成医疗数据，原文明确认为仍有争议且需要真实数据验证（Conclusion, PDF p.11–12）。

作者提出的研究空白

医学影像需要解决小数据下精度下降、model collapse、3D 特征/分割、跨域数据流与损失设计；生物信息学需要更多超越生成相似性的应用与验证；GAN 的深度网络可解释性不足（Conclusion, PDF p.11–12）。

我识别的遗漏

文章没有系统讨论合成数据 membership inference、patient re-identification、数据治理、跨中心 domain shift 或监管评价；这些遗漏会限制其对临床数据发布和模型转化的直接指导。

个人批注

与我的工作的关系

Cycle-GAN 的无配对 MRI–CT 转换和影像增强框架可作为心血管多模态影像/仿真数据稀缺时的候选工具，但必须以真实配对子集检验结构保真和下游任务效用。

可复用框架

先按数据类型区分连续影像、离散 EHR 与单细胞/组学；再按目标区分数据增强、无配对转换、缺失插补、生成设计；最后以真实保留集上的下游任务和风险审计评价，而非只报告视觉真实性。

疑问与后续动作

疑问：在冠脉 OCT/CTA 等高风险医疗影像中，Cycle-GAN 是否会生成或抹去细小病灶？后续动作：优先评估含结构约束和外部测试的近期心血管影像合成研究，并以病灶级 sensitivity、calibration、fidelity 与 privacy 指标复核。

与上下文的关系

本文建立在

直接以 Goodfellow et al. 的 GAN（引用 1）、Mirza & Osindero 的 CGAN（引用 30）、Arjovsky et al. 的 WGAN（引用 26）和 Zhu et al. 的 Cycle-GAN（引用 5）为基础，并将其延伸至医学/组学案例（PDF p.1–4、6–11）。

已核实的后续引用

本次未检索。

同类综述对比

相对 Creswell、Hong 和 Guo 等聚焦 GAN 理论/通用视觉综述（引用 22、24、29），本文的特点是以医疗影像、EHR 与 bioinformatics 的应用表格组织；但它的检索和证据综合不具系统综述的可追溯性（PDF p.3；Introduction, PDF p.1–2）。

与本地论文队列的关系

  • 2022-CAD-DL-Johri：可作为 CAD 影像深度学习临床任务的应用背景；其与 GAN 数据增强的实证关联本次未核实。
  • 2020-ScIGANs-Single-Cell-Xu：本文将 scIGANs 列为单细胞 dropout 插补的应用例（引用 6）。

逐章节笔记（Section-by-Section Notes）

Introduction

段落 1：GAN 的对抗学习为生物医学数据生成提供框架

  • 核心论点：引言概述 generator 与 discriminator 的对抗目标，并将其潜在价值定位为医学影像、医疗信息学和生物信息学中的合成、转换与增强。
  • 支撑论据：Introduction；Abstract。
  • 我的分析：应用视角是文章特色，但生成样本的视觉逼真或分布相似不自动代表下游临床效用、因果有效性或隐私安全。

GAN in Medical Imaging

段落 1：影像生成与跨模态转换扩展数据资源

  • 核心论点：该节归纳 GAN 在数据增强、图像重建、分割辅助和无配对跨模态转换中的使用，并讨论不同 GAN 变体的稳定性问题。
  • 支撑论据：“GAN in Medical Imaging”；Table 1；Fig. 1–2。
  • 我的分析：影像任务与临床问题的映射使综述具有实用性；病理结构被错误生成或抹除的风险意味着需要任务特异的真实度和安全性验证。

GAN in Healthcare Informatics and Bioinformatics

段落 1：合成 EHR 与单细胞数据的效用和隐私仍待检验

  • 核心论点：该节将 GAN 应用于 EHR 合成、缺失/插补及生物信息学数据生成，同时承认数据效用、可识别风险和基准评估尚不充分。
  • 支撑论据：“GAN in Healthcare Informatics”；“GAN in Bioinformatics”；Table 2–3。
  • 我的分析：这些应用的主要价值是缓解数据稀缺或不平衡；评价应同时覆盖统计保真、下游任务、隐私攻击与外部可迁移性。

摘要概述

这是一篇综述，系统回顾了 Generative Adversarial Networks (GAN) 自 2014 年提出以来的起源、工作原理与发展历史，并重点梳理了其在生物医学信息学四大领域的应用：digital image processing（图像生成、超分辨率、inpainting）、medical imaging analysis（数据增强、Cycle-GAN 跨模态转换如 MRI↔CT）、medical informatics（基于 EMR/EHR 的合成离散/连续/时序数据、LSTM-GAN 疾病预测）及 bioinformatics（基因数据模拟、单细胞数据 imputation）。作者指出 GAN 在医学影像和组学数据中能有效缓解小样本与类别不平衡问题，但也存在 mode collapse、小样本精度低、可解释性差、3D 特征学习困难等局限。

关键图表

  • Figure 1 (Digital image diagram of GAN)：GAN 基本架构示意图——输入随机向量经 generator 生成图像，discriminator 判别真伪，体现对抗训练核心思想。
  • Figure 2 (Architecture of Cycle-GAN)：Cycle-GAN 双向生成器（G、F）加 cycle consistency loss 的架构，支持无配对图像域转换，是跨模态医学图像合成的关键框架。
  • Figure 3 (Cycle-GAN MRI→CT 实验结果)：以心脏 MRI 为 real B，生成 fake A (CT)，再重建 rec B (MRI)，验证 cycle consistency 保证内容保真。

与我的关联

GAN 作为数据增强工具在生物医学影像和组学中已有成熟应用，对解决我课题中"合成数据稀缺、跨模态样本不配对"的场景有直接借鉴意义；Cycle-GAN 的无配对域转换思路可启发未来用生成模型扩充力学/影像耦合数据集。