Datos generados artificialmente que imitan datos del mundo real, utilizados aquí para entrenar modelos sin exponer a pacientes reales.Los datos sintéticos se refieren a información generada artificialmente en lugar de recopilada de eventos del mundo real. En el contexto de los artículos proporcionados, se utilizan para entrenar modelos de aprendizaje automático sin exponerlos a datos reales de pacientes, que a menudo son sensibles y están protegidos por regulaciones de privacidad. El concepto es central en campos como la imagen médica, donde se pueden crear gemelos digitales de pacientes u órganos para simular condiciones y probar algoritmos de manera segura.
El término ganó prominencia en la década de 2010 con el auge del aprendizaje profundo, aunque la idea subyacente de generar datos artificiales para pruebas tiene raíces en técnicas de simulación anteriores. No se atribuye un inventor único.
El proceso generalmente implica el uso de modelos generativos, como redes generativas antagónicas (GAN) o autoencoders variacionales, para aprender la distribución estadística de los datos reales y luego muestrear nuevos ejemplos plausibles de esa distribución. Estos ejemplos sintéticos pueden etiquetarse con una verdad fundamental conocida, lo que permite entrenar y validar modelos en un entorno controlado. Los datos generados pueden imitar condiciones específicas, como diferentes estados de enfermedad o artefactos de imagen, que podrían ser raros o difíciles de obtener en conjuntos de datos reales.
Los datos sintéticos se utilizan para entrenar modelos de diagnóstico en imagen médica, para aumentar conjuntos de datos reales pequeños y para probar sistemas autónomos en entornos simulados antes de su implementación en el mundo real.
Los datos sintéticos pueden usarse para generar imágenes de enfermedades raras que son tan escasas que los ejemplos reales serían insuficientes para entrenar un modelo de diagnóstico fiable.
