走向通用肿瘤合成
内容提要
综述表明，合成医学影像（如GAN、扩散模型生成）可用于数据增强，提升肝癌、胰腺癌、脑肿瘤等分割与早期检测性能，并支持匿名化和模型鲁棒性评估；但合成数据增益有限，真实数据仍不可替代。
延伸解读
合成数据在肿瘤影像中的实际增益
文章汇总的多项研究表明，合成医学影像（如GAN、扩散模型生成）在肝癌、胰腺癌、脑肿瘤等任务中能提升分割与早期检测性能，并支持匿名化和鲁棒性评估。但皮肤病图像研究指出，合成数据相比真实数据仅有较小性能增益，因此收集多样真实数据仍是提升医疗AI算法的重要步骤。
评估合成影像质量的指标局限
文章提到，常用的合成影像评估指标无法很好地预测其在特定任务上的性能。这意味着仅凭FID等指标判断合成数据是否适用于训练模型可能不够可靠，需要结合下游任务表现来综合评估。
扩散模型与GAN在医学合成中的比较
针对腹部CT语义图像合成的研究系统评估了条件扩散模型与其他基于GAN的方法，结果表明扩散模型能合成质量更好的腹部CT图像，且将语义掩码和输入分别编码比简单拼接更有效。这为选择生成模型架构提供了参考。
合成数据用于匿名化与模型选择
文章指出，合成数据可作为匿名化工具，在保护患者隐私的同时实现与真实数据训练可比的分割结果。此外，利用合成数据作为验证集有助于减少过拟合、简化AI模型选择，展示了其在早期肿瘤检测和增强鲁棒性方面的潜力。
Q&A
合成医学影像在肿瘤诊断中主要能发挥哪些作用？
合成医学影像可用于数据增强，提升肝癌、胰腺癌、脑肿瘤等分割与早期检测性能；还能作为匿名化工具，支持患者数据共享，并用于评估AI模型的鲁棒性。
合成数据能完全替代真实医学数据来训练AI吗？
不能。研究表明，合成数据与真实数据相比性能增益有限，真实数据仍不可替代，收集多样的真实数据仍是提升医疗AI算法的重要步骤。
生成合成医学影像常用哪些模型？
常用生成对抗网络（GANs）和扩散模型（如潜在扩散模型、条件扩散模型）。
合成影像如何帮助解决医学AI中的数据隐私问题？
合成影像可作为匿名化工具，通过使用合成数据训练模型，能实现与实际患者数据训练具有可比性的肿瘤分割结果，从而促进数据共享而不泄露患者隐私。
合成数据在肿瘤早期检测中有哪些具体应用案例？
例如，利用合成肝癌CT扫描训练AI模型实现肝癌分割，并自动生成小型甚至微小的合成肝癌样本，提高早期检测成功率；合成胰腺肿瘤可提高AI在胰腺癌早期检测中的性能；合成数据还可作为验证集减少过拟合，简化模型选择。
评估合成医学影像质量的常用指标能预测其在下游任务中的性能吗？
不能。研究发现，常用的评估合成影像的指标无法很好地预测其在特定任务（如脑肿瘤分割）上的性能。
