系统综述：合成医疗数据正从'深伪技术'走向 AI 基础设施，24 项研究划出能力与风险边界

系统综述：合成医疗数据正从"深伪技术"走向 AI 基础设施，24 项研究划出能力与风险边界

医疗 AI 长期受困于一个悖论：最有能力改进诊断、预测与规划的系统，恰恰最需要访问那些难以获取、成本高昂或法律敏感的临床数据。合成数据被寄望于绕开这个瓶颈——但它的能力边界在哪里、风险如何治理，一直缺乏系统回答。

近日发表于《Computers》的一项系统综述给出了迄今最清晰的图谱之一：研究团队（南非大学 Wellington Kanyongo 与 Mampilo Phahlane）从 Google Scholar、Scopus、Web of Science 和 IEEE Xplore 筛选 2214 条记录，最终纳入 2021 年至 2026 年 5 月间的 24 项实证研究，覆盖合成医学影像、电子病历、生理信号、虚拟患者、视听内容与深伪检测系统。

合成数据已经能做什么

综述发现，合成媒体的能力早已超越"生成以假乱真的医学图像"：

• 影像：合成视网膜扫描、X 光、牙科影像、CT 与 MRI 已能保留具有临床意义的解剖与病理特征；
• 结构化数据：合成 ECG 信号、癌症登记数据、ICU 记录与纵向电子病历，可以保持统计分布、生理依赖关系以及诊断、变量与结局之间的关联——而不是一堆互不关联的"人造样本"；
• 技术路线：GAN 架构出现在 75% 的研究中，扩散模型、Transformer 等生成体系正在扩展技术版图。医学影像仍占主导（24 项中的 14 项），7 项涉及 EHR、登记或表格型临床数据。

最大的机会在数据稀缺处

数据增强是综述识别出的最普遍落地用途：在罕见病、少数类别样本不足、真实数据采集缓慢昂贵的场景，合成数据正在扩充小而不均衡的数据集。这对低资源卫生系统尤其有想象力——当前多数医疗 AI 模型的训练数据集中于富裕机构和人群，代表性不足直接威胁泛化能力。

教育是另一个被验证的方向：综述提到，用合成 OCT 影像训练的学习者，其提升幅度与使用真实影像的训练效果相当。患者侧应用（个性化虚拟形象、合成视频用于沟通与缓解焦虑）也已进入探索。

但"面向隐私"不等于"可证明私密"

综述对风险的处理值得所有数据团队细读。

**其一，深伪是同一枚硬币的另一面。**能够合成病灶的技术同样可以移除肿瘤、篡改疾病特征且保持视觉合理性——保险欺诈、误诊与不必要治疗的风险随之而来。深伪检测因此应被视为独立的安全层，而非生成能力的附属品。

**其二，隐私悖论被明确点名。**合成数据常被宣传为隐私保护的替代方案，但综述强调：数据可以是"面向隐私的"，却未必是"可证明私密的"。记忆化、重构攻击与对原始训练记录的相似性，仍可能制造重识别风险——合成数据集在发布前应经过成员推断测试、重构攻击等隐私评估。

其三，作者提出 CAB 框架（Computational Capability–Application–Benefit），把"已验证的计算能力"、"经过评估的应用"与"仍是推断的下游收益"三层分离，防止技术成功被过早翻译成"改善患者结局"的宣称。按此框架，现有证据大多停留在技术可行性与回顾性验证阶段，规模化真实世界落地仍然有限。

对行业的含义

对医疗数据从业者而言，这篇综述传递的核心信息是：合成数据正在从技术好奇心变为数据供应链中的一层新基础设施——介于敏感患者数据与 AI 开发之间。但它不应制造监管捷径：真实性验证、偏见评估、隐私攻击测试与来源追溯标准，可能变得和传统医疗器械质量标准同样重要。

生成只是起点，验证才是护城河。

千方医数集编辑部 出品