没有患者数据，也能做课题？临床科研已颠覆传统认知

在医学研究中，数据既是最核心的资源，也是最难获取的资源。隐私保护法规、数据标准不统一以及机构之间的共享壁垒，使得大量医疗数据难以被研究者广泛使用。

近年来，生成式人工智能的发展提出了一种新的解决思路——合成数据（synthetic data）。理论上，这种数据既能够用于模型训练和方法学验证，又可以在一定程度上绕开隐私与共享限制。

那么，合成数据在肿瘤研究中已经发展到什么阶段？它能否真正支持科研、诊断模型开发，甚至参与临床试验设计？同时，这种技术又面临哪些偏倚、隐私与监管方面的挑战？今天小编将基于一篇来自德累斯顿工业大学的最新综述，对这一问题进行系统梳理。

研究背景

生成式人工智能的发展使得在不直接使用真实患者信息的前提下，构建能够复现真实数据统计特征和变量关系的“合成数据”成为可能。肿瘤学研究和临床试验高度依赖大规模、多模态数据，但长期受制于隐私保护、数据共享壁垒、样本不足及模型外部验证困难等现实限制。合成数据被视为突破上述瓶颈的重要工具，可用于模型训练增强、方法学基准测试、跨机构协作以及新型临床试验设计。与此同时，领域内对合成数据与数字孪生等概念存在混用风险，因此有必要系统梳理生成模型类型、应用场景及设计规范，为合成数据在肿瘤研究和临床试验中的合理使用提供理论与方法学框架。

合成数据生成和评估

合成数据在肿瘤研究中是如何被系统性地“生成”和“验证”的？作者指出，合成数据并非单一形式，而是覆盖影像、表格、时间序列和文本等多种生物医学数据类型，不同模态决定了不同的建模难点和生成策略，因此不存在通用的生成方案。

在方法层面，作者重点介绍了当前主流的生成式模型体系，包括擅长高维复杂数据合成的GAN、通过潜在空间建模实现可控生成的VAE，以及在医学影像领域快速崛起的扩散模型，并强调基础模型和大语言模型正成为跨模态合成与临床数据建模的新工具。更重要的是，合成数据的价值不在于看起来像，而在于是否在统计特征、下游分析表现和隐私保护三方面同时达标。

理解生成式对抗网络

合成数据在肿瘤研究中到底能做什么

尽管医疗系统产生了海量数据，但受隐私法规、系统割裂和数据整理成本等因素限制，大量真实世界数据难以共享与利用，合成数据因此被提出作为一种在保护隐私的前提下提升数据可获取性的解决方案。在科研层面，公开的合成影像和表格数据有助于研究者开展模型训练、方法验证和基准测试，从而缓解数据集中于少数机构的问题。具体应用中，合成病理影像已被用于增强训练数据并提升癌症诊断模型性能；合成表格和多组学数据则可用于预后分析、生存建模和数据探索。

作者进一步提出“合成对照组”的概念，即利用合成患者数据补充或替代传统临床试验对照组，以缓解招募困难、缩短试验周期并降低成本。总体而言，作者认为合成数据有望推动癌症研究和临床试验模式的转变，但其可靠性仍依赖高质量训练数据和严格评估。

图1 合成数据的三种应用模式：(a) 针对特定临床问题生成全模态合成数据；(b) 混合模式，即用合成数据增强小规模对照组；(c) 替代模式，完全使用质量可控的虚拟镜像队列替代传统对照组，实现加速药物审批。

合成数据生成的陷阱

作者继续讨论了合成数据应用中需要警惕的三类关键风险。首先是偏倚问题：生成模型会学习训练数据中的模式，因此真实数据中的偏倚往往会被继承甚至放大，特别是对少数群体或罕见疾病患者而言，可能导致错误的医学结论或模型决策。其次是隐私并非天然安全：合成数据并不能自动保证隐私保护，如果模型出现过拟合或遭受成员推断、模型反演等攻击，仍可能泄露训练数据中的敏感信息。最后是监管框架尚不完善：虽然监管机构已开始接受替代性对照组等新型临床试验设计，但针对医疗领域合成数据生成与使用的规范仍缺乏统一标准。因此，作者强调，在推动合成数据应用的同时，必须同时重视偏倚控制、隐私保护以及监管体系建设。

最佳实践

作者最后提出了合成数据生成与应用的实践规范。首先需要明确合成数据的具体用途，并据此进行变量筛选和数据预处理，同时合理处理缺失值与少数群体数据，以减少偏倚并提高生成质量。在模型训练阶段，应采用多种生成模型与多次训练进行比较，并通过保真度、可用性和隐私性等多维指标评估合成数据质量，而不是依赖单一模型或单次结果。此外，隐私保护需要贯穿整个流程，包括变量选择、差分隐私等技术手段以及隐私风险审计。最后，在数据发布和临床试验应用中必须保持高度透明，公开生成流程、评估方法和隐私措施，并尽可能由独立机构生成和管理合成数据，以避免数据被人为操控或用于支持预设结论，从而确保其在科研和临床决策中的可信度。

图2 生成和发布合成表格生物医学数据集的工作流程：该工作流展示了从目标定义到最终发布的闭环。重点在于预处理阶段的变量筛选，以及多模型（Multiple Generative Models）并行训练。关键步骤是进行“隐私审计（Privacy Audit）”和“专家校验（Expert Validation）”，确保合成出的虚拟队列符合临床逻辑。

小编总结

这篇综述系统梳理了合成数据在肿瘤研究与临床试验中的发展现状与应用前景。文章首先介绍了生成式AI在医学数据合成中的技术基础，包括GAN、VAE和扩散模型等，并指出不同数据类型（影像、表格、多组学、时间序列等）需要采用不同的生成策略，同时必须从保真度、可用性和隐私保护三个维度对合成数据进行严格评估。在应用层面，合成数据不仅能够缓解医疗数据难以共享的问题，还可用于AI模型训练、方法学验证以及癌症诊断研究，其中合成病理影像和临床表格数据已展现出较强实用价值。

更具潜力的是，文章提出“合成对照组”的概念，有望通过替代部分传统对照组来加速临床试验并降低成本。然而作者也强调，合成数据并非万能方案，其仍面临数据偏倚、隐私风险以及监管体系不足等挑战。

未来，只有在严格评估和跨学科合作的基础上，合成数据才能真正成为推动癌症研究与临床创新的重要基础设施。

识别微信二维码，添加生物制品圈小编，符合条件者即可加入

生物制品微信群！

请注明：姓名+研究方向！

本公众号所有转载文章系出于传递更多信息之目的，且明确注明来源和作者，不希望被转载的媒体或个人可与我们联系(cbplib@163.com)，我们将立即进行删除处理。所有文章仅代表作者观不本站。