Données générées artificiellement qui imitent des données réelles, utilisées ici pour entraîner des modèles sans exposition à de vrais patients.Les données synthétiques désignent des informations générées artificiellement plutôt que collectées à partir d'événements réels. Dans le contexte des articles fournis, elles sont utilisées pour entraîner des modèles d'apprentissage automatique sans les exposer à des données réelles de patients, souvent sensibles et protégées par des réglementations sur la vie privée. Ce concept est central dans des domaines comme l'imagerie médicale, où des jumeaux numériques de patients ou d'organes peuvent être créés pour simuler des conditions et tester des algorithmes en toute sécurité.
Le terme a gagné en importance dans les années 2010 avec l'essor de l'apprentissage profond, bien que l'idée sous-jacente de générer des données artificielles pour les tests ait des racines dans des techniques de simulation antérieures. Aucun inventeur unique n'est crédité.
Le processus implique généralement l'utilisation de modèles génératifs, tels que les réseaux antagonistes génératifs (GAN) ou les autoencodeurs variationnels, pour apprendre la distribution statistique des données réelles, puis échantillonner de nouveaux exemples plausibles à partir de cette distribution. Ces exemples synthétiques peuvent être étiquetés avec une vérité terrain connue, ce qui permet d'entraîner et de valider les modèles dans un environnement contrôlé. Les données générées peuvent être conçues pour imiter des conditions spécifiques, comme différents états pathologiques ou artefacts d'imagerie, qui pourraient être rares ou difficiles à obtenir dans des ensembles de données réels.
Les données synthétiques sont utilisées pour entraîner des modèles de diagnostic en imagerie médicale, pour augmenter de petits ensembles de données réelles, et pour tester des systèmes autonomes dans des environnements simulés avant leur déploiement dans le monde réel.
Les données synthétiques peuvent être utilisées pour générer des images de maladies rares si peu fréquentes que les exemples réels seraient insuffisants pour entraîner un modèle de diagnostic fiable.
