IA générative pour des données synthétiques dans plusieurs modalités médicales : une revue systématique des développements récents et des défis

Cet article présente une revue systématique complète des modèles génératifs (GANs, VAEs, DMs et LLMs) utilisés pour synthétiser divers types de données médicales, y compris l'imagerie (dermoscopique, mammographique, échographique, CT, IRM et radiographie), le texte, les séries temporelles et les données tabulaires (DSE). Contrairement aux revues précédentes étroitement focalisées, notre étude englobe un large éventail de modalités de données médicales et explore divers modèles génératifs. Notre objectif est d'offrir des perspectives sur leurs applications actuelles et futures dans la recherche médicale, en particulier dans le contexte des applications de synthèse, des techniques de génération et des méthodes d'évaluation, tout en fournissant un référentiel GitHub comme ressource dynamique pour la collaboration et l'innovation continues. Notre stratégie de recherche interroge des bases de données telles que Scopus, PubMed et ArXiv, en se concentrant sur les travaux récents de janvier 2021 à novembre 2023, en excluant les revues et les perspectives. Cette période souligne les avancées récentes au-delà des GANs, qui ont été largement couverts dans des revues précédentes. L'enquête met également l'accent sur l'aspect de la génération conditionnelle, qui n'est pas abordé dans des travaux similaires. Les contributions clés incluent une portée multi-modalités large qui identifie des perspectives et des opportunités inter-modales indisponibles dans des enquêtes sur une seule modalité. Bien que les techniques génératives de base soient transférables, nous constatons que les méthodes de synthèse manquent souvent d'une intégration suffisante du contexte spécifique au patient, des connaissances cliniques et des exigences spécifiques à chaque modalité adaptées aux caractéristiques uniques des données médicales. Les modèles conditionnels tirant parti du conditionnement textuel et de la synthèse multimodale restent peu explorés mais offrent des directions prometteuses pour l'innovation. Nos résultats sont structurés autour de trois thèmes : (1) Applications de synthèse, mettant en lumière des applications de synthèse cliniquement valides et des lacunes significatives dans l'utilisation de données synthétiques au-delà de l'augmentation, comme pour la validation et l'évaluation ; (2) Techniques de génération, identifiant les lacunes en matière de personnalisation et d'innovation inter-modale ; et (3) Méthodes d'évaluation, révélant l'absence de références standardisées, la nécessité d'une validation à grande échelle et l'importance de cadres d'évaluation cliniquement pertinents et respectueux de la vie privée. Ces conclusions soulignent la nécessité de benchmarks et d'études comparatives pour promouvoir l'ouverture et la collaboration.