定義、類型與適用場景
睡眠資料合成化處理,是利用統計模型、機器學習、訊號模擬或規則系統產生新紀錄,使其在選定結構、分布和關係上近似真實睡眠資料的技術與服務。完全合成資料替換全部個人層級欄位;部分合成資料只替換部分變數,仍可能保留真實年齡、診斷或事件;模擬資料則可依生理或裝置模型產生,不一定以真實個人紀錄訓練。不同類型的隱私、保真度和適用範圍不能混為一談。
合成資料可用於軟體開發、介面測試、培訓展示、分析原型、研究探索、演算法預訓練、少數場景補充和有限資料分享。它能減少某些環節對真實個人資料的需求,卻不天然是匿名資料,也不應在未經驗證時取代真實世界證據。服務必須標明產生目的、來源資料範圍、被合成與保留的欄位、目標族群、允許用途和禁止用途;供測試使用的資料不能因格式逼真就被宣稱可支援臨床結論。
來源資料、產生流程與資料譜系
產生流程應從合法、適當且具代表性的來源資料開始。需要記錄採集裝置、睡眠中心、時間範圍、納入排除標準、標註方法、遺漏機制、預處理和樣本劃分。PSG、腦電、心電、呼吸、血氧、體動、環境音訊、臥室影像、問卷和診斷標籤具有不同採樣率及相依結構,若在合成前被錯誤對齊或切片,生成模型只會複製並放大這些問題。來源資料中的偏差、裝置偽影和標籤錯誤也不會因「合成」而消失。
應在訓練前劃分開發、驗證與保留測試資料,避免以同一真實紀錄同時調整參數及評估。生成器版本、隨機種子管理方式、超參數、訓練輪次、特徵工程、條件變數、停止規則和後處理均需形成資料譜系。多夜紀錄應按人員劃分,防止同一人的相鄰夜晚跨入訓練與測試;長時間波形切片也要保留人員、夜晚和通道層級。部分合成檔案必須逐欄標示真實、衍生和合成狀態,防止使用者誤把保留欄位當成人工資料。
隱私風險與保護機制
生成模型可能記憶並重現訓練樣本,尤其是罕見疾病、異常波形、獨特時間序列或小群體紀錄。攻擊者可比較近鄰、判斷某人是否參與訓練、利用已知屬性推論未知屬性,或將合成紀錄與外部資料連結。合成列沒有真實姓名,並不能排除對來源資料人員的洩露。隱私評估應涵蓋精確或近似複製、最近鄰距離、成員推論、屬性推論、唯一組合、異常值和多次發布的組合風險,並針對攻擊者可能擁有的輔助資訊建模。
若需要穩健、可量化的來源資料隱私保證,應考慮使用符合差分隱私的訓練或生成演算法,並公開保護單位、相鄰關係、貢獻界限、ε、δ和累計預算。非差分隱私生成器只能依特定測試提供經驗性風險證據,不能據此保證抵禦未知攻擊。移除複製樣本、距離門檻過濾或抑制小群體可降低部分風險,但這些後處理本身不構成普遍證明。來源資料、模型權重、檢查點、隨機狀態和生成日誌仍須按敏感資料保護。
保真度、統計效用與偏差
保真度評估應從單一變數擴展到聯合分布、時序結構和臨床關係。除平均數、變異、分位數和類別比例外,還應比較睡眠階段轉移、週期長度、事件持續時間、通道間同步、晝夜或多夜變化,以及年齡、性別、裝置和疾病亞組的條件分布。只讓邊際直方圖相似,可能同時破壞呼吸事件與血氧下降、睡眠階段與覺醒、體動與心率之間的關鍵關係。近似真實也不代表來源正確,過於接近甚至可能提示記憶洩露。
合成過程會引入模型誤差、抽樣誤差和隨機誤差,並可能淡化罕見事件、製造不可能組合或強化來源資料偏差。驗收應預先定義用途相關指標、允許差異和失敗條件,分別報告整體、小群體、極端值和遺漏模式。生理規則檢查應識別負持續時間、錯誤階段序列、不合理採樣率和矛盾標籤。不得只用一個綜合分數掩蓋隱私與效用的不同面向,也不得挑選對供應商最有利的指標後再定義用途。
下游任務與臨床適用性驗證
合成資料的價值應透過目標任務驗證。用於軟體測試時,應檢查模式涵蓋、邊界值、異常訊息、格式一致性和缺陷發現率;用於統計分析時,應在真實保留集上比較估計量、信賴區間和結論方向;用於機器學習時,可採用在合成資料上訓練、在未參與生成的真實資料上測試,並與真實資料訓練基準比較判別、校準、穩健性和亞組效能。只在合成資料內部交叉驗證,無法證明模型可泛化至真實患者和裝置。
合成資料可以補充罕見場景,卻不能憑空建立這些場景的真實發生率或臨床多樣性。過度取樣罕見呼吸事件、兒科或共病族群時,應區分教學涵蓋與流行病學代表性,並防止生成器將少量真實個案近似複製。用於診斷、治療、裝置效能或監管證據時,必須說明合成資料承擔的證據角色,保留足夠的獨立真實資料進行確認,並由睡眠醫學、統計和工程專家共同審查;不能以「模型生成合理」取代臨床有效性。
發布、維運與可稽核性
公開發布、受控研究存取、內部測試和供應商交換應採用不同風險門檻。發布前需要凍結資料與生成器版本,執行隱私和效用雙重評審,記錄核准範圍、接收者、授權、禁止關聯行為和再散布條件。即使通過評估,也可對高風險資料採用安全環境、查詢介面、下載限制或資料使用協議。多個合成版本若從相同來源資料產生,應聯合評估,因為攻擊者可能比較版本以還原穩定細節或降低隨機性。
生產管線需控制程式碼、相依套件、模型權重、隨機來源、金鑰、暫存檔和存取日誌。每份資料應帶有機器可讀的產生日期、版本、結構、欄位語義、真實或合成狀態、適用用途、已知限制和評估報告識別碼。稽核鏈應連結來源資料核准、訓練工作、參數、檢查點、過濾、隱私測試、效用測試、發布和撤回。發現複製、洩露或嚴重偏差時,應能暫停下載、通知接收者、撤回版本並評估下游模型,而非僅替換檔案。
治理、採購驗收與服務邊界
資料控制方、隱私負責人、資料科學團隊、臨床專家、平台營運者和使用者應共同決定合成化是否適合具體目的。原始資料用於訓練生成器本身仍屬資料處理,需要合法依據、最小化、存取限制、保存期限和資料主體權利安排。合成資料的法律狀態應依可識別風險、保留欄位和實際接收環境評估,不能只憑供應商標籤決定。合成化也不會自動消除偏見、智慧財產權、同意範圍或跨境處理問題。
採購方應要求供應商提交生成方法、來源資料概況、完全或部分合成說明、欄位層級譜系、隱私模型和參數、記憶與推論測試、效用及亞組報告、隨機性控制、版本管理、已知限制、獨立評估和事件回應方案。驗收應使用採購方具代表性的睡眠任務及獨立真實保留集重測,並檢查重現樣本、罕見群體、時序一致性和跨版本風險。對「資料是假的所以零風險」「統計相似即可用於臨床」或「合成數量越多資訊越真實」等說法,應要求改為有證據、限定用途且說明殘餘風險的承諾。