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

Technische Samenvatting: PSyGenTAB

Probleemstelling

De ontwikkeling van robuuste medische AI wordt ernstig belemmerd door een "datacrisis", gekenmerkt door gefragmenteerde institutionele silo's en strikte privacyregels (bijv. HIPAA, GDPR). Hoewel synthetische datageneratie een potentiële oplossing biedt om deze kloof te overbruggen, kampen bestaande methoden met een kritiek onopgelost spanningsveld:

1. Hoge-getrouwheidsmodellen (high-fidelity models) memoriseren vaak onbedoeld trainingsdata, wat onaanvaardbare risico's op heridentificatie van patiënten creëert.
2. Privacy-bewarende methoden (bijv. die gebruikmaken van rigide differentieel privacy) injecteren vaak excessieve ruis, wat subtiele correlaties tussen kenmerken en zeldzame diagnostische signalen die essentieel zijn voor klinische bruikbaarheid, vernietigt.

Huidige benaderingen behandelen privacy doorgaans als een post-hoc patch (toegepast na de training via gradiënt clipping of ruisinjectie) in plaats van als een fundamentele ontwerpbeperking. Dit dwingt onderzoekers om te accepteren dat er instabiele, vaste afruilmomenten zijn die ofwel de patiëntveiligheid in gevaar brengen, ofwel de synthetische data analytisch nutteloos maken voor downstream predictieve modellering. Er is een gebrek aan een geprincipeerde, gezamenlijk geoptimaliseerde aanpak die simultaan hoge klinische bruikbaarheid en strikte privacybescherming garandeert in tabelvormige gezondheidsdata.

Methodologie

Het artikel introduceert PSyGenTAB, een model-agnostisch framework dat de generatie van synthetische gezondheidszorgdata formuleert als een beperkt optimalisatieprobleem (constrained optimization problem) dat wordt opgelost via de Augmented Lagrangian Method (ALM).

1. Formalisering van Metrieken

Het framework definieert twee samengestelde scores, genormaliseerd naar $[0, 1]$, om de optimalisatie te sturen:

• Klinische Databruikbaarheid (Clinical Data Utility, $U$): Een gewogen composiet van zes dimensies:
  • Marginale Verdelingsgetrouwheid ($F_{marg}$): Afstemming van kenmerkverdelingen (gebruikmakend van KS, KL, JSD, TVD).
  • Preservatie van Zeldzame Gebeurtenissen ($F_{rare}$): Behoud van laagfrequente, diagnostisch cruciale patronen (bijv. minderheidsklassen).
  • Joint Associatiegetrouwheid ($F_{joint}$): Behoud van inter-kenmerk afhankelijkheden en covariantiestructuren.
  • Toestandsruimte Dekking ($C_{div}$): Voorkomen van mode collapse en het waarborgen van representatie van onderbediende populaties.
  • Temporele Dynamiek ($T_{dyn}$): Getrouwheid van sequentiële afhankelijkheden (voor longitudinale data).
  • Downstream Predictieve Effectiviteit ($E_{pred}$):: Prestaties van classificatoren getraind op synthetische data en getest op echte data (TSTR/TRTS protocollen).
• Privacy-bewarbaarheid (Privacy-Preservability, $P$): Een met strafpunten gecorrigeerde score bestaande uit:
  • Afstand tot Dichtstbijzijnde Record ($D_c$): Ruimtelijke scheiding tussen synthetische records en echte patiëntprofielen (Gower-afstand).
    [] Discrepantie in Distributionele Overfitting ($\Delta_{dist}$): Het bestraffen van modellen die dichte clusters van echte records memoriseren.
  • Duplicatieratio ($R_{dup}$): Het bestraffen van exacte overeenkomsten (letterlijke memorisatie).

2. Beperkte Optimalisatie via ALM

Het generatieproces wordt geframed als het minimaliseren van de bruikbaarheidsverlies ($1 - U(\theta)$) onder een harde privacyrestrictie ($P(\theta) \geq P_{min}$), waarbij $P_{min}$ een configureerbare drempelwaarde is die door data-custodiërs wordt ingesteld.

De Augmented Lagrangian objectieve functie is:
$$L_{AL}(\theta, \lambda) = (1 - U(\theta)) + \lambda(P_{min} - P(\theta)) + \frac{\mu}{2}(P_{min} - P(\theta))^2$$

• Mechanisme: De Lagrange-multiplier $\lambda$ en de straffactor $\mu$ worden adaptief bijgewerkt tijdens de training. Als de generator records produceert die de privacydrempel schenden (d.w.z. $P < P_{min}$), nemen de straftermen automatisch toe, waardoor de generator wordt weggestuurd van memorisatie terwijl de bruikbaarheid wordt gemaximaliseerd.
• Varianten: Het framework ondersteunt zowel trainingstijd-optimalisatie (het bijwerken van generatorparameters) als samplingtijd-optimalisatie (het filteren of sturen van samples vanuit een vooraf getraind model zonder hertraining).
• Model-Agnosticisme: PSyGenTAB werkt rondom bestaande generatoren. De auteurs hebben het geëvalueerd met REaLTabFormer (Transformer-gebaseerd) en CTAB-GAN+ (Conditional GAN).

Belangrijkste Bijdragen

1. Nieuw Framework: Een model-agnostisch framework dat ALM gebruikt om de diagnostische bruikbaarheid en patiëntprivacy expliciet en adaptief in balans te brengen, waarbij de afruil wordt behandeld als een dynamische, configureerbare beperking in plaats van een vast compromis.
2. Klinisch Onderbouwde Metrieken: Definitie van multidimensionale evaluatiemetrieken die verdelingsgetrouwheid, preservatie van zeldzame ziekten, inter-kenmerk afhankelijkheden en weerstand tegen re-identificatie onder regelgevende dreigingsmodellen vastleggen.
3. Empirische Validatie: Demonstratie van klinische validiteit op kritieke benchmarks (Diabetes, Borstkanker, etc.), waarbij de preservatie van minderheidsklasse-signalen en sterke privacygrenzen worden aangetoond.

Experimentele Resultaten

Het framework werd geëvalueerd op 11 datasets (8 klinisch, 3 generalisatie) met behulp van REaLTabFormer en CTAB-GAN+.

• Privacy-Bruikbaarheid Afruil:

  • Op de Diabetes dataset verbeterde PSyGenTAB de bruikbaarheid van $U=0.89$ naar $0.98$ terwijl de privacy behouden bleef ($P=0.54$), wat aantoont dat beperkingen de getrouwheid kunnen verbeteren door weg te sturen van ruis-memoratie.
  • Op de Borstkanker dataset verbeterden zowel de bruikbaarheid ($0.82 \to 0.91$) als de privacy ($0.38 \to 0.44$) gelijktijdig.
  • Op de Adult dataset verbeterde de privacy aanzienlijk ($P=0.30 \to 0.48$) met minimaal verlies van bruikbaarheid ($U=0.98 \to 0.96$).
  • Noot: De interactie tussen ALM en GANs (CTAB-GAN+) was minder stabiel op kleine datasets, waarbij soms zowel de bruikbaarheid als de privacy afnamen, wat het belang van architectuurselectie benadrukt.

• Downstream Klinische Bruikbaarheid:

  • Modellen getraind op PSyGenTAB synthetische data bereikten een prestatie die vergelijkbaar is met die van modellen getraind op echte data (TSTR-protocol).
  • Cruciaal is dat het framework de signalen van minderheidsklassen behield (bijv. prediabetes, 1.8% prevalentie), waardoor standaard strategieën voor het aanpakken van onbalans (SMOTE, Class Weighting) effectief bleven.

• Privacy-Audits:

  • Risico op Re-identificatie: PSyGenTAB verminderde de ratio van exacte overeenkomsten (EMR) aanzienlijk (bijv. van 8 naar 3 exacte overeenkomsten op de Adult dataset).
  • Membership Inference Attacks (MIA): Het framework demonstreerde sterke veerkracht, waarbij de onderscheidbaarheidsscores vaak nabij willekeurige gokken lagen ($AUC \approx 0.5$).
  • Linkage Attacks: PSyGenTAB verminderde systematisch de succesratio van linkage vergeleken met ongeconstreerde baselines.

• Klinische Validiteit (FAITH Framework):

  • PSyGenTAB behaalde hoge scores op Feitelijkheid (geen klinisch onmogelijke profielen) en Integriteit (afwezigheid van record reproductie).
  • Hoewel ongeconstreerde modellen soms een iets hogere Alignment (correlatiebehoud) vertoonden door overfitting, behield PSyGenTAB voldoende alignment voor klinisch gebruik terwijl de privacy gegarandeerd werd.

Betekenis en Claims

Het artikel claimt dat PSyGenTAB een geprincipeerd framework vestigt voor het balanceren van privacy en bruikbaarheid, wat de aanname uitdaagt dat sterkere privacy noodzakelijkerwijs de bruikbaarheid van data verslechtert.

• Regulatoire Naleving: Door de configureerbare privacydrempels ($P_{min}$) direct in de optimalisatie in te bedden, biedt het framework auditeerbaar, kwantitatief bewijs ter ondersteuning van HIPAA Expert Determination en GDPR Artikel 89 (pseudonimisering) trajecten.
• Operationele Bruikbaarheid: De synthetische data is niet enkel privacy-veilig, maar ook analytisch valide, wat veilige cross-institutionele AI-ontwikkeling en onderzoek naar zeldzame ziekten mogelijk maakt zonder de vertrouwelijkheid van patiënten in gevaar te brengen.
• Dynamische Controle: In tegenstelling tot statische afruilen, stelt PSyGenTAB data-custodiërs in staat om de balans tussen privacy en bruikbaarheid dynamisch af te stemmen op basis van specifieke institutionele vereisten of overeenkomsten over datagebruik.

De auteurs concluderen dat hoewel het framework momenteel beperkt is tot gestructureerde tabelvormige data en vertrouwt op empirische (in plaats van formele differentiële privacy) garanties, het een belangrijke stap is naar de verantwoorde vooruitgang van de medische AI door de spanning tussen datatoegankelijkheid en patiëntbescherming op te lossen.