💻 computer science

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

PSyGenTAB एक गोपनीयता-संरक्षित जनरेटिव फ्रेमवर्क है जो ऑगमेंटेड लैग्रेंजियन मेथड के माध्यम से कंस्ट्रेंड ऑप्टिमाइज़ेशन का उपयोग करता है ताकि सिंथेटिक क्लिनिकल टैबुलर डेटा उत्पन्न किया जा सके जो सख्त गोपनीयता सुरक्षा और डाउनस्ट्रीम मेडिकल एआई कार्यों के लिए आवश्यक क्लिनिकल पैटर्न एवं उपयोगिता के संरक्षण के बीच प्रभावी ढंग से संतुलन बनाता है।

मूल लेखक: Arshia Ilaty, Hossein Shirazi, Manasi Chitale, Kedar Hegde, Dhanalakshmi Ramesh, Rashmi S. Manjunath, Amir Rahmani, Hajar Homayouni

प्रकाशित 2026-06-19

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Arshia Ilaty, Hossein Shirazi, Manasi Chitale, Kedar Hegde, Dhanalakshmi Ramesh, Rashmi S. Manjunath, Amir Rahmani, Hajar Homayouni

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि एक ऐसी दुनिया है जहाँ डॉक्टर और शोधकर्ता बीमारियों को ठीक करने के लिए सुपर-स्मार्ट AI बनाना चाहते हैं, लेकिन वे एक विशाल, बंद दीवार के पीछे फंसे हुए हैं। दीवार के एक तरफ असली मरीज के रिकॉर्ड हैं (जैसे मेडिकल हिस्ट्री, ब्लड टेस्ट के परिणाम और निदान), और दूसरी तरफ वे AI वैज्ञानिक हैं जिन्हें इस डेटा से सीखने की आवश्यकता है।

यह दीवार सख्त गोपनीयता कानूनों (जैसे HIPAA और GDPR) के कारण मौजूद है। आप किसी अजनबी को मरीज की असली फाइल यूँ ही नहीं थमा सकते; यह उनकी गोपनीयता का उल्लंघन है और इससे उनकी पहचान उजागर होने का खतरा हो सकता है।

वर्तमान समाधानों के साथ समस्या
वैज्ञानिकों ने इस दीवार के इर्द-गिर्द घूमने के लिए "नकली" मरीज रिकॉर्ड (सिंथेटिक डेटा) बनाने की कोशिश की है। इसे ऐसे समझें जैसे एक शेफ मूल रेसिपी के बिना उस प्रसिद्ध व्यंजन को फिर से बनाने की कोशिश कर रहा हो।

"बहुत वास्तविक" शेफ: कुछ शेफ एक ऐसा नकली व्यंजन बनाते हैं जो इतना सटीक होता है कि वह वास्तव में मूल की एक प्रति बन जाता है। यदि आप उसका स्वाद लेते हैं, तो आप पहचान सकते हैं कि वास्तव में किसने उसे खाया था। यह खतरनाक है क्योंकि इससे मरीजों की पहचान लीक हो जाती है।
"बहुत धुंधला" शेफ: अन्य शेफ मूल स्वाद को छिपाने के लिए उसमें बहुत अधिक नमक और काली मिर्च (शोर/नॉइज़) मिला देते हैं ताकि नकली व्यंजन बनता है। शोधकर्ता इससे कुछ भी उपयोगी नहीं सीख पाते।

लेख का तर्क है कि हम "सुरक्षित लेकिन बेकार" या "उपयोगी लेकिन असुरक्षित" के बीच चयन करने में फंसे हुए थे।

समाधान: PSyGenTAB
लेखक PSyGenTAB पेश करते हैं, जो एक स्मार्ट, सख्त 'सू-शेफ' (sous-chef) की तरह काम करता है जो खाना पकाने की प्रक्रिया को प्रबंधित करता है।

केवल खाना बनाकर और फिर यह जाँचने के बजाय कि क्या यह सुरक्षित है, इस सू-शेफ को खाना शुरू करने से पहले अटूट नियमों का एक सेट दिया जाता है।

नियम: "आपको एक ऐसा व्यंजन बनाना है जिसका स्वाद बिल्कुल असली वाले जैसा हो (अनुसंधान के लिए उपयोगी), लेकिन आपको किसी भी एक व्यक्ति के विशिष्ट ऑर्डर की नकल करने से सख्ती से रोका जाता है (गोपनीयता के लिए सुरक्षित)।"

यह कैसे काम करता है ("ऑगमेंटेड लैग्रेंजियन" का जादू)
यह पेपर ऑगमेंटेड लैग्रेंजियन मेथड (ALM) नामक एक गणितीय पद्धति का उपयोग करता है। सरल शब्दों में, कल्पना करें कि AI एक छात्र है जो परीक्षा दे रहा है।

लक्ष्य: छात्र परीक्षा में 100% अंक प्राप्त करना चाहता है (उच्च उपयोगिता/उपयोगिता)।
प्रतिबंध: शिक्षक कहता है, "आपको पाठ्यपुस्तक के उत्तर रटने नहीं हैं; आपको अवधारणाओं को समझना होगा।"
दंड: हर बार जब छात्र किसी विशिष्ट उत्तर को रटकर नकल करने की कोशिश करता है, तो शिक्षक उसके स्कोर में भारी दंड जोड़ देता है।
समायोजन: AI वास्तविक समय में अपनी "सोच" को समायोजित करना सीखता है। यदि वह किसी वास्तविक मरीज की नकल करने के बहुत करीब पहुँच जाता है, तो दंड और कड़ा हो जाता है, जो उसे अपना दृष्टिकोण बदलने के लिए मजबूर करता है जब तक कि वह किसी की नकल किए बिना उपयोगी बनने का तरीका न खोज ले।

उन्होंने क्या पाया
टीम ने इस "सू-शेफ" का परीक्षण वास्तविक चिकित्सा डेटा (जैसे मधुमेह के रिकॉर्ड, स्तन कैंसर का डेटा और हृदय गति रुकने के आँकड़े) पर किया और इसकी तुलना अन्य विधियों से की।

बेहतर स्वाद, सुरक्षित रसोई: कई मामलों में, PSyGenTAB ने न केवल डेटा को सुरक्षित रखा; बल्कि इसने वास्तव में "अनियंत्रित" संस्करणों की तुलना में अनुसंधान के लिए "नकली" डेटा को बेहतर बनाया। इसने किसी व्यक्ति की नकल किए बिना बीमारी के पैटर्न को सीखा।
"अल्पसंख्यक" चमत्कार: चिकित्सा में, दुर्लभ बीमारियों का अध्ययन करना कठिन होता है क्योंकि वहां मरीजों की संख्या कम होती है। पेपर दिखाता है कि PSyGenTAB इन दुर्लभ पैटर्न को बनाए रखने में उत्कृष्ट है। यह केवल "औसत" मरीज की नकल नहीं करता; यह अद्वितीय, दुर्लभ मामलों को जीवित रखता है ताकि AI बाद में उन्हें पहचानने के लिए सीख सके।
"नकली" पर्याप्त अच्छा है: जब उन्होंने "नकली" डेटा पर एक AI को प्रशिक्षित किया और वास्तविक मरीजों पर इसका परीक्षण किया, तो AI ने उतना ही अच्छा प्रदर्शन किया जितना कि यदि उसे वास्तविक डेटा पर प्रशिक्षित किया गया होता।
सुरक्षा जाँच: उन्होंने "हैकर" परीक्षण चलाए (यह देखने के लिए सिमुलेशन हमले कि क्या कोई डेटा में मौजूद व्यक्ति को पहचान सकता है)। परिणामों ने दिखाया कि PSyGenTAB ने नकली रिकॉर्ड को वास्तविक व्यक्ति से जोड़ने की संभावना को बहुत कम कर दिया। इसने नकली डेटा में सटीक प्रतियों के दिखने की संभावना को काफी कम कर दिया।

निष्कर्ष
PSyGenTAB नकली चिकित्सा डेटा उत्पन्न करने का एक नया तरीका है जो पुराने द्वंद्व को हल करता है। यह अस्पतालों को गोपनीयता कानूनों को तोड़े बिना शोधकर्ताओं के साथ डेटा साझा करने की अनुमति देता है। यह शोधकर्ताओं को वास्तविक रोगी आबादी का एक पूर्ण, सुरक्षित और गुमनाम "परछाई" देने जैसा है, ताकि वे बिना कभी भी वास्तविक, निजी फाइलों को देखे, सभी की मदद के लिए बेहतर AI उपकरण बना सकें।

पेपर निष्कर्ष निकालता है कि यह दृष्टिकोण "मॉडल-अग्नोस्टिक" (model-agnostic) है, जिसका अर्थ है कि यह विभिन्न प्रकार के AI "रसोइयों" (जैसे ट्रांसफॉर्मर और GANs) के साथ काम करता है, जो इसे चिकित्सा अनुसंधान के भविष्य के लिए एक लचीला उपकरण बनाता है।

तकनीकी सारांश: PSyGenTAB

समस्या विवरण

मजबूत मेडिकल AI का विकास संस्थागत विखंडन (fragmented institutional silos) और सख्त गोपनीयता नियमों (जैसे HIPAA, GDPR) द्वारा चिह्नित एक "डेटा संकट" से गंभीर रूप से बाधित है। जबकि सिंथेटिक डेटा जनरेशन इस अंतर को पाटने के लिए एक संभावित समाधान प्रदान करता है, मौजूदा पद्धतियां एक महत्वपूर्ण अनसुलझे तनाव का सामना करती हैं:

उच्च-सटीकता वाले मॉडल (High-fidelity models) अक्सर अनजाने में प्रशिक्षण डेटा को याद कर लेते हैं, जिससे रोगी की पुन: पहचान (re-identification) का अस्वीकार्य जोखिम पैदा होता है।
गोपनीयता-संरक्षण पद्धतियां (Privacy-preserving methods) (जैसे कि कठोर डिफरेंशियल प्राइवेसी का उपयोग करने वाली) अक्सर अत्यधिक शोर (noise) इंजेक्ट करती हैं, जो सूक्ष्म फीचर सह-संबंधों (inter-feature correlations) और दुर्लभ नैदानिक संकेतों को नष्ट कर देती है जो क्लिनिकल उपयोगिता के लिए आवश्यक हैं।

वर्तमान दृष्टिकोण आमतौर पर गोपनीयता को एक 'पोस्ट-हॉक पैच' (ट्रेनिंग के बाद ग्रेडिएंट क्लिपिंग या नॉइज़ इंजेक्शन के माध्यम से लागू किया गया) के रूप में देखते हैं, न कि एक मौलिक डिज़ाइन बाधा के रूप में। यह शोधकर्ताओं को ऐसे अस्थिर, निश्चित ट्रेड-ऑफ स्वीकार करने के लिए मजबूर करता है जो या तो रोगी की सुरक्षा से समझौता करते हैं या सिंथेटिक डेटा को डाउनस्ट्रीम प्रेडिक्टिव मॉडलिंग के लिए विश्लेषणात्मक रूप से बेकार बना देते हैं। टैबुलर हेल्थ डेटा के लिए उच्च क्लिनिकल उपयोगिता और कठोर गोपनीयता संरक्षण को एक साथ सुनिश्चित करने वाले एक सिद्धांत-आधारित, संयुक्त रूप से अनुकूलित दृष्टिकोण की कमी है।

कार्यप्रणाली (Methodology)

यह शोध पत्र PSyGenTAB को पेश करता है, जो एक मॉडल-अज्ञेयवादी (model-agnostic) फ्रेमवर्क है जो सिंथेटिक हेल्थकेयर डेटा जनरेशन को ऑगमेंटेड लैग्रेंजियन मेथड (ALM) के माध्यम से हल की जाने वाली एक प्रतिबंधित अनुकूलन समस्या (constrained optimization problem) के रूप में स्वरूपित करता है।

1. मेट्रिक्स का औपचारिककरण (Formalizing Metrics)

फ्रेमवर्क अनुकूलन को निर्देशित करने के लिए दो कंपोजिट स्कोर को $[0, 1]$ तक सामान्यीकृत (normalize) करता है:

क्लिनिकल डेटा उपयोगिता ( $U$ ): छह आयामों का एक भारित (weighted) कंपोजिट:
- मार्जिनल डिस्ट्रीब्यूशन फिडेलिटी ( $F_{marg}$ ): फीचर डिस्ट्रीब्यूशन का संरेखण (KS, KL, JSD, TVD का उपयोग करके)।
- रेयर इवेंट प्रिजर्वेशन ( $F_{rare}$ ): कम-आवृत्ति वाले, नैदानिक रूप से महत्वपूर्ण पैटर्न (जैसे अल्पसंख्यक वर्ग) का प्रतिधारण।
- जॉइंट एसोसिएशन फिडेलिटी ( $F_{joint}$ ): इंटर-फीचर निर्भरताओं और कोवेरिएंस संरचनाओं का संरक्षण।
- स्टेट-स्पेस कवरेज ( $C_{div}$ ): मोड कोलैप्स को रोकना और अल्पसेवित आबादी का प्रतिनिधित्व सुनिश्चित करना।
- टेम्पोरल डायनेमिक्स ( $T_{dyn}$ ): अनुक्रमिक निर्भरता (लॉन्गीटुडिनल डेटा के लिए) की फिडेलिटी।
- डाउनस्ट्रीम प्रेडिक्टिव एफिकेसी ( $E_{pred}$ ): सिंथेटिक डेटा पर प्रशिक्षित और वास्तविक डेटा पर परीक्षण किए गए क्लासिफायर का प्रदर्शन (TSTR/TRTS प्रोटोकॉल)।
प्राइवेसी-प्रिजर्वेबिलिटी ( $P$ ): एक पेनल्टी-एडजस्टेड स्कोर जिसमें शामिल है:
- निकटतम रिकॉर्ड की दूरी ( $D_c$ ): वास्तविक रोगी प्रोफाइल और सिंथेटिक रिकॉर्ड के बीच स्थानिक पृथक्करण (Gower distance)।
- डिस्ट्रिब्यूशनल ओवरफिटिंग विसंगति ( $\Delta_{dist}$ ): उन मॉडलों को दंडित करना जो वास्तविक रिकॉर्ड के घने क्लस्टर को याद रखते हैं।
- डुप्लीकेशन रेट ( $R_{dup}$ ): सटीक मिलान (verbatim memorization) को दंडित करना।

2. ALM के माध्यम से प्रतिबंधित अनुकूलन

जनरेशन प्रक्रिया को यूटिलिटी लॉस ( $1 - U(\theta)$ ) को न्यूनतम करने के रूप में स्वरूपित किया गया है, जबकि एक हार्ड प्राइवेसी कंस्ट्रेंट ( $P(\theta) \geq P_{min}$ ) का पालन किया गया है, जहाँ $P_{min}$ डेटा कस्टोडियन द्वारा निर्धारित एक कॉन्फ़िगर करने योग्य थ्रेसहोल्ड है।

ऑगमेंटेड लैग्रेंजियन ऑब्जेक्टिव फंक्शन है:
$L_{AL}(\theta, \lambda) = (1 - U(\theta)) + \lambda(P_{min} - P(\theta)) + \frac{\mu}{2}(P_{min} - P(\theta))^2$

तंत्र (Mechanism): लैग्रेंज मल्टीप्लायर $\lambda$ और पेनल्टी कोएफिशिएंट $\mu$ को प्रशिक्षण के दौरान अनुकूल रूप से अपडेट किया जाता है। यदि जनरेटर ऐसे रिकॉर्ड बनाता है जो गोपनीयता थ्रेसहोल्ड का उल्लंघन करते हैं (अर्थात $P < P_{min}$ ), तो पेनल्टी टर्म अपने आप बढ़ जाते हैं, जो जनरेटर को मेमोरीज़ेशन से दूर ले जाते हुए उपयोगिता को अधिकतम करते हैं।
वैरिएंट्स: फ्रेमवर्क ट्रेनिंग-टाइम अनुकूलन (जनरेटर पैरामीटर्स को अपडेट करना) और सैंपलिंग-टाइम अनुकूलन (प्री-ट्रेन्ड मॉडल से सैंपल्स को फिल्टर या स्टीयर करना) दोनों का समर्थन करता है।
मॉडल अज्ञेयवाद (Model Agnosticism): PSyGenTAB मौजूदा जनरेटर्स के चारों ओर रैप करता है। लेखकों ने इसे REaLTabFormer (ट्रांसफॉर्मर-आधारित) और CTAB-GAN+ (कंडीशनल GAN) के साथ मूल्यांकित किया है।

मुख्य योगदान

नया फ्रेमवर्क: ALM का उपयोग करने वाला एक मॉडल-अज्ञेयवादी फ्रेमवर्क जो नैदानिक उपयोगिता और रोगी गोपनीयता को स्पष्ट रूप से और अनुकूल रूप से संतुलित करता है, और इस ट्रेड-ऑफ को एक स्थिर समझौते के बजाय एक गतिशील, कॉन्फ़िगर करने योग्य बाधा के रूप में मानता है।
क्लिनिकली ग्राउंडेड मेट्रिक्स: डिस्ट्रीब्यूशनल फिडेलिटी, रेयर डिजीज प्रिजर्वेशन, इंटर-फीचर डिपेंडेंसी और रेगुलेटरी थ्रेट मॉडल के तहत पुन: पहचान के प्रतिरोध को कैप्चर करने वाले बहु-आयामी मूल्यांकन मेट्रिक्स की परिभाषा।
अनुभवजन्य सत्यापन (Empirical Validation): महत्वपूर्ण बेंचमार्क (Diabetes, Breast Cancer, आदि) पर क्लिनिकल वैधता का प्रदर्शन, जो अल्पसंख्यक-वर्ग संकेतों के संरक्षण और मजबूत गोपनीयता सीमाओं को दर्शाता है।

प्रयोगात्मक परिणाम

फ्रेमवर्क का मूल्यांकन 11 डेटासेट्स (8 क्लिनिकल, 3 जनरलाइजेशन) पर REaLTabFormer और CTAB-GAN+ का उपयोग करके किया गया।

प्राइवेसी-यूटिलिटी ट्रेड-ऑफ:
- Diabetes डेटासेट पर, PSyGenTAB (ALM) ने प्राइवेसी ( $P=0.54$ ) बनाए रखते हुए उपयोगिता को $U=0.89$ से बढ़ाकर $0.98$ कर दिया, यह दर्शाता है कि बाधाएं नॉइज़ मेमोरीज़ेशन से दूर ले जाकर फिडेलिटी में सुधार कर सकती हैं।
- Breast Cancer डेटासेट पर, उपयोगिता ( $0.82 \to 0.91$ ) और प्राइवेसी ( $0.38 \to 0.44$ ) दोनों में एक साथ सुधार हुआ।
- Adult डेटासेट पर, न्यूनतम उपयोगिता हानि ( $U=0.98 \to 0.96$ ) के साथ प्राइवेसी में महत्वपूर्ण सुधार ( $P=0.30 \to 0.48$ ) हुआ।
- नोट: छोटे डेटासेट्स पर GANs (CTAB-GAN+) के साथ ALM की अंतःक्रिया कम स्थिर थी, जिसने कभी-कभी उपयोगिता और प्राइवेसी दोनों को कम कर दिया, जो आर्किटेक्चर चयन के महत्व को उजागर करता है।
डाउनस्ट्रीम क्लिनिकल उपयोगिता:
- PSyGenTAB सिंथेटिक डेटा पर प्रशिक्षित मॉडलों ने वास्तविक डेटा पर प्रशिक्षित मॉडलों के समान प्रदर्शन प्राप्त किया (TSTR प्रोटोकॉल)।
- महत्वपूर्ण रूप से, फ्रेमवर्क ने अल्पसंख्यक-वर्ग संकेतों (जैसे प्रीडायबिटीज, 1.8% व्यापकता) को संरक्षित किया, जिससे मानक इम्बैलेंस-हैंडलिंग रणनीतियाँ (SMOTE, Class Weighting) प्रभावी बनी रहीं।
प्राइवेसी ऑडिट:
- पुन: पहचान जोखिम (Re-identification Risk): PSyGenTAB ने सटीक मिलान अनुपात (EMR) को काफी कम कर दिया (उदाहरण के लिए, Adult डेटासेट पर 8 से 3 सटीक मिलान)।
- मेंबरशिप इन्फरेंस अटैक्स (MIA): फ्रेमवर्क ने मजबूत प्रतिरोध दिखाया, जहाँ डिस्टिंग्विशेबिलिटी स्कोर अक्सर रैंडम गेसिंग के करीब ( $AUC \approx 0.5$ ) था।
- लिंकेज अटैक्स: PSyGen性が अनकन्स्ट्रेंड बेसलाइन्स की तुलना में लिंकेज सफलता दर को व्यवस्थित रूप से कम करता है।
क्लिनिकल वैधता (FAITH फ्रेमवर्क):
- PSyGenTAB ने फैक्टुअलिटी (कोई क्लिनिकली इम्पॉसिबल प्रोफाइल नहीं) और इंटीग्रिटी (रिकॉर्ड रिप्रोडक्शन की अनुपस्थिति) में उच्च स्कोर प्राप्त किया।
- जबकि अनकन्स्ट्रेंड मॉडल्स ने ओवरफिटिंग के कारण थोड़ा अधिक एलाइनमेंट (कोरिलेशन प्रिजर्वेशन) दिखाया, PSyGenTAB ने क्लिनिकल उपयोग के लिए पर्याप्त एलाइनमेंट बनाए रखते हुए गोपनीयता की गारंटी दी।

महत्व और दावे

यह पेपर दावा करता है कि PSyGenTAB प्राइवेसी और उपयोगिता को संतुलित करने के लिए एक सिद्धांत-आधारित फ्रेमवर्क स्थापित करता है, जो इस धारणा को चुनौती देता है कि मजबूत गोपनीयता अनिवार्य रूप से डेटा की उपयोगिता को कम करती है।

नियामक अनुपालन (Regulatory Compliance): कॉन्फ़िगर करने योग्य प्राइवेसी थ्रेसहोल्ड ( $P_{min}$ ) को सीधे अनुकूलन में शामिल करके, यह फ्रेमवर्क HIPAA एक्सपर्ट डिटरमिनेशन और GDPR आर्टिकल 89 (स्यूडोनिमाइजेशन) मार्गों का समर्थन करने के लिए ऑडिट करने योग्य, मात्रात्मक साक्ष्य प्रदान करता है।
परिचालन उपयोगिता (Operational Utility): सिंथेटिक डेटा न केवल गोपनीयता-सुरक्षित है बल्कि विश्लेषणात्मक रूप से भी वैध है, जो रोगी की गोपनीयता से समझौता किए बिना सुरक्षित क्रॉस-इंस्टीट्यूशनल AI विकास और दुर्लभ रोग अनुसंधान को सक्षम बनाता है।
डायनेमिक कंट्रोल: स्थिर ट्रेड-ऑफ के विपरीत, PSyGenTAB डेटा कस्टोडियन्स को विशिष्ट संस्थागत आवश्यकताओं या डेटा उपयोग समझौतों के आधार पर प्राइवेसी-यूटिलिटी बैलेंस को गतिशील रूप से ट्यून करने की अनुमति देता है।

लेखक निष्कर्ष निकालते हैं कि हालांकि फ्रेमवर्क वर्तमान में संरचित टैबुलर डेटा तक सीमित है और औपचारिक डिफरेंशियल प्राइवेसी (के बजाय अनुभवजन्य) गारंटी पर निर्भर करता है, फिर भी यह डेटा एक्सेसिबिलिटी और रोगी सुरक्षा के बीच तनाव को हल करके जिम्मेदार हेल्थकेयर AI की प्रगति की दिशा में एक महत्वपूर्ण कदम है।