利用模糊认知图进行可解释的合成医疗表格数据生成，以支持临床决策

arXiv:2610.00391v1 公告类型：新 摘要：当真实临床数据因隐私、伦理或数据可用性限制而受限时，合成医疗表格数据生成对于开发和验证计算机医疗系统（CBMSs）已变得至关重要。现有的概率生成模型和深度生成模型通常缺乏可解释性，且无法保留具有临床意义的依赖关系，从而限制了其在安全关键型应用中的适用性。本文提出了在具有显式因果性和隐私保护能力的合成医疗表格数据生成框架中应用模糊认知图（FCMs）的一种新方法。临床特征通过语言上可解释的模糊集进行描述，特征间的依赖关系则编码为根据模糊集交集计算得到的 FCM 边权重。该方法通过将随机初始化的语言激活向量在 FCM 中传播至收敛，随后进行去模糊化，从而生成具有临床一致性的数值型合成患者记录。该方法原生支持混合数据类型以及健康记录中常见的领域约束。在 UCI 医疗基准数据集上的实验评估表明，在 Train-on-Synthetic-Test-on-Real（TSTR）协议下，该方法具有具有竞争力的性能。在 Heart Disease 数据集上，所提出的方法准确率最高达到 0.81，AUROC 最高达到 0.90，与 TVAE 和 Gaussian Copula 基线方法相当或更优，同时完全运行于 CPU 上。包括 KS Complement（最高 0.91）和 Correlation Similarity（最高 0.95）在内的保真度指标证实了其较强的统计一致性；此外，DCR Baseline Protection 得分始终高于 TVAE，证明了其能够提供充分的隐私保障。这些结果表明，以因果关系为基础的可解释模糊建模，为 CBMSs 中可信合成数据生成提供了一种计算高效且透明的深度生成模型替代方案。