PSyGenTAB: A Privacy-Preserving Framework for Synthetic Clinical Tabular Data Generation via Constrained Optimization

Resumen Técnico: PSyGenTAB

Declaración del Problema

El desarrollo de una IA médica robusta se ve severamente obstaculizado por una "crisis de datos" caracterizada por silos institucionales fragmentados y regulaciones estrictas de privacidad (por ejemplo, HIPAA, GDPR). Si bien la generación de datos sintéticos ofrece una solución potencial para cerrar esta brecha, los métodos existentes enfrentan una tensión crítica no resuelta:

1. Los modelos de alta fidelidad a menudo memorizan inadvertidamente los datos de entrenamiento, lo que crea riesgos inaceptables de reidentificación de pacientes.
2. Los métodos de preservación de la privacidad (por ejemplo, aquellos que utilizan una privacidad diferencial rígida) a menudo inyectan un ruido excesivo, destruyendo correlaciones sutiles entre características y señales diagnósticas raras que son esenciales para la utilidad clínica.

Los enfoques actuales suelen tratar la privacidad como un parche post-hoc (aplicado después del entrenamiento mediante el recorte de gradientes o la inyección de ruido) en lugar de una restricción de diseño fundamental. Esto obliga a los investigadores a aceptar compromisos inestables y fijos que, o bien comprometen la seguridad del paciente, o bien vuelven los datos sintéticos analíticamente inútiles para el modelado predictivo descendente. Existe una falta de un enfoque basado en principios y optimizado conjuntamente que garantice simultáneamente una alta utilidad clínica y una rigurosa protección de la privacidad en datos de salud tabulares.

Metodología

El artículo introduce PSyGenTAB, un marco agnóstico al modelo que formula la generación de datos sanitarios sintéticos como un problema de optimización con restricciones resuelto mediante el Método del Lagrangiano Aumentado (ALM).

1. Formalización de Métricas

El marco define dos puntuaciones compuestas, normalizadas al intervalo $[0, 1]$, para guiar la optimización:

• Utilidad de los Datos Clínicos ($U$): Un compuesto ponderado de seis dimensiones:
  • Fidelidad de la Distribución Marginal ($F_{marg}$): Alineación de las distribuciones de las características (usando KS, KL, JSD, TVD).
  • Preservación de Eventos Raros ($F_{rare}$): Retención de patrones de baja frecuencia y críticamente diagnósticos (por ejemplo, clases minoritarias).
  • Fidelidad de Asociación Conjunta ($F_{joint}$): Preservación de las dependencias entre características y las estructuras de covarianza.
  • Cobertura del Espacio de Estados ($C_{div}$): Prevención del colapso de modo y garantía de representación de poblaciones subatendidas.
  • Dinámica Temporal ($T_{dyn}$): Fidelidad de las dependencias secuenciales (para datos longitudinales).
  • Eficacia Predictiva Descendente ($E_{pred}$): Rendimiento de los clasificadores entrenados con datos sintéticos y probados con datos reales (protocolos TSTR/TRTS).
• Preservabilidad de la Privacidad ($P$): Una puntuación ajustada por penalización que comprende:
  • Distancia al Registro más Cercano ($D_c$): Separación espacial entre los registros sintéticos y los perfiles de pacientes reales (distancia de Gower).
  • Discrepancia de Sobreajuste Distribucional ($\Delta_{dist}$): Penalización de modelos que memorizan cúmulos densos de registros reales.
  • Tasa de Duplicación ($R_{dup}$): Penalización de coincidencias exactas (memorización literal).

2. Optimización con Restricciones vía ALM

El proceso de generación se enmarca como la minimización de la pérdida de utilidad ($1 - U(\theta)$) sujeta a una restricción de privacidad estricta ($P(\theta) \geq P_{min}$), donde $P_{min}$ es un umbral configurable establecido por los custodios de los datos.

La función objetivo del Lagrangiano Aumentado es:
$$L_{AL}(\theta, \lambda) = (1 - U(\theta)) + \lambda(P_{min} - P(\theta)) + \frac{\mu}{2}(P_{min} - P(\theta))^2$$

• Mecanismo: El multiplicador de Lagrange $\lambda$ y el coeficiente de penalización $\mu$ se actualizan de forma adaptativa durante el entrenamiento. Si el generador produce registros que violan el umbral de privacidad (es decir, $P < P_{min}$), los términos de penalización aumentan automáticamente, alejando al generador de la memorización mientras se maximiza la utilidad.
• Variantes: El marco admite tanto la optimización en el tiempo de entrenamiento (actualización de los parámetros del generador) como la optimación en el tiempo de muestreo (filtrado o dirección de muestras de un modelo preentrenado sin reentrenamiento).
• Agnosticismo de Modelo: PSyGenTAB envuelve a los generadores existentes. Los autores lo evaluaron con REaLTabFormer (basado en Transformer) y CTAB-GAN+ (GAN condicional).

Principales Contribuciones

1. Marco Novedoso: Un marco agnóstico al modelo que utiliza ALM para equilibrar de forma explícita y adaptativa la utilidad diagnóstica y la privacidad del paciente, tratando el compromiso como una restricción dinámica y configurable en lugar de un compromiso fijo.
2. Métricas Basadas en la Clínica: Definición de métricas de evaluación multidimensionales que capturan la fidelidad de la distribución, la preservación de enfermedades raras, las dependencias entre características y la resistencia a la reidentificación bajo modelos de amenaza regulatoria.
3. Validación Empírica: Demostración de la validez clínica en puntos de referencia críticos (Diabetes, Cáncer de Mama, etc.), mostrando la preservación de las señales de clases minoritarias y límites de privacidad sólidos.

Resultados Experimentales

El marco fue evaluado en 11 conjuntos de datos (8 clínicos, 3 de generalización) utilizando REaLTabFormer y CTAB-GAN+.

• Compromiso Privacidad-Utilidad:

  • En el conjunto de datos de Diabetes, PSyGenTAB (ALM) mejoró la utilidad de $U=0.89$ a $0.98$ manteniendo la privacidad ($P=0.54$), demostrando que las restricciones pueden mejorar la fidelidad al alejarse de la memorización de ruido.
  • En el conjunto de datos de Cáncer de Mama, tanto la utilidad ($0.82 \to 0.91$) como la privacidad ($0.38 \to 0.44$) mejoraron simultáneamente.
  • En el conjunto de datos Adult, la privacidad mejoró significativamente ($P=0.30 \to 0.48$) con una pérdida mínima de utilidad ($U=0.98 \to 0.96$).
  • Nota: La interacción entre ALM y las GAN (CTAB-GAN+) fue menos estable en conjuntos de datos pequeños, reduciendo a veces tanto la utilidad como la privacidad, lo que destaca la importancia de la selección de la arquitectura.

• Utilidad Clínica Descendente:

  • Los modelos entrenados con datos sintéticos de PSyGenTAB alcanzaron un rendimiento comparable al de los entrenados con datos reales (protocolo TSTR).
  • Crucialmente, el marco preservó las señales de clases minoritarias (por ejemplo, prediabetes, prevalencia del 1.8%), permitiendo que las estrategias estándar de manejo de desequilibrio (SMOTE, Pesado de Clases) sigan siendo efectivas.

• Auditorías de Privacidad:

  • Riesgo de Reidentificación: PSyGenTAB redujo significativamente las tasas de coincidencia exacta (EMR) (por ejemplo, de 8 a 3 coincidencias exactas en el conjunto de datos Adult).
  • Ataques de Inferencia de Membresía (MIA): El marco demostró una fuerte resiliencia, con puntuaciones de distinguibilidad cercanas al azar ($AUC \approx 0.5$).
  • Ataques de Vinculación: PSyGenTAB redujo sistemáticamente las tasas de éxito de vinculación en comparación con las líneas base sin restricciones.

• Validez Clínica (Marco FAITH):

  • PSyGenTAB alcanzó puntuaciones altas en Factualidad (sin perfiles clínicamente imposibles) e Integridad (ausencia de reproducción de registros).
  • Aunque los modelos sin restricciones a veces mostraron un Alineamiento (preservación de correlación) ligeramente superior debido al sobreajuste, PSyGenTAB mantuvo un alineamiento suficiente para el uso clínico mientras garantizaba la privacidad.

Significado y Reivindicaciones

El artículo afirma que PSyGenTAB establece un marco basado en principios para equilibrar la privacidad y la utilidad, desafiando la suposición de que una mayor privacidad necesariamente degrada la utilidad de los datos.

• Cumplimiento Regulatorio: Al integrar umbrales de privacidad configurables ($P_{min}$) directamente en la optimización, el marco proporciona evidencia cuantitativa auditable para apoyar las vías de Determinación de Expertos de HIPAA y el Artículo 89 de GDPR (seudonimización).
• Utilidad Operativa: Los datos sintéticos no son solo seguros para la privacidad, sino también analíticamente válidos, lo que permite el desarrollo de IA transinstitucional segura y la investigación de enfermedades raras sin comprometer la confidencialidad del paciente.
• Control Dinámico: A diferencia de los compromisos estáticos, PSyGenTAB permite a los custodios de datos ajustar el equilibrio entre privacidad y utilidad dinámicamente según los requisitos institucionales específicos o los acuerdos de uso de datos.

Los autores concluyen que, si bien el marco está actualmente limitado a datos tabulares estructurados y depende de garantías empíricas (en lugar de privacidad diferencial formal), representa un paso significativo hacia el avance responsable de la IA sanitaria al resolver la tensión entre la accesibilidad de los datos y la protección del paciente.