Dane syntetyczne: ratunek dla badań czy elegancki sposób na produkowanie sztucznych problemów?
Wyobraź sobie, że prowadzisz badanie naukowe, do którego potrzebujesz kilku tysięcy obrazów medycznych. Problem w tym, że dysponujemy zaledwie kilkuset przypadkami. Niektóre choroby występują na tyle rzadko, że zebranie odpowiednio dużego zbioru danych jest niezwykle trudne. Co możemy zrobić? Pozyskać dane z innych ośrodków, zastosować augmentację albo wykorzystać generatywną sztuczną inteligencję i stworzyć dodatkowe, syntetyczne przypadki. Brzmi jak rozwiązanie idealne. Zamiast czekać miesiącami na kolejne dane, generujemy ich tysiące w znacznie krótszym czasie. Tak, tylko że pojawia się pewien problem.
Czym właściwie są dane syntetyczne?
Rys. 1 Reprezentatywny przekrój osiowy obrazów ważonych, zsyntetyzowanych
na podstawie jednego zestawu map T1, T2 i PD obliczonych przez sieć CNN source: Moya-Sáez, E., Pena-Nogales, O., De Luis-Garcia, R., & Alberola-López, C. (2021). A deep learning approach for synthetic MRI based on two routine sequences and training with synthetic data. Computer Methods and Programs in Biomedicine, 210, 106371.
Od symulacji do modeli generatywnych
W klasycznej symulacji często znamy mechanizm generowania danych. Możemy określić parametry modelu, poziom szumu czy warunki eksperymentu. W przypadku modeli generatywnych, takich jak GAN, VAE czy modele dyfuzyjne system uczy się statystycznych właściwości danych treningowych i na ich podstawie tworzy nowe przykłady. Van Breugel i współautorzy (2024) w Nature Reviews Bioengineering wskazują, że takie podejście może pomagać w rozwiązywaniu problemów niedoboru danych, ich reprezentatywności oraz ochrony prywatności, jednocześnie podkreślają znaczenie oceny jakości i użyteczności wygenerowanych przykładów [1].
Rys. 2 Wydajność modelu GAM-VAE na danych syntetycznych
źródło: de Albuquerque, D., Goffinet, J., Wright, R., & Pearson, J.
(2021, October). Deep Generative Analysis for Task-Based Functional
MRI Experiments. In Machine Learning for Healthcare Conference
(pp. 146-175). PMLR.
Więcej obrazów nie zawsze oznacza lepszy model
Jednym z głównych powodów stosowania danych syntetycznych jest niedobór przykładów treningowych. Wyobraźmy sobie zbiór zawierający 10 000 obrazów medycznych, z których tylko 500 przedstawia interesującą nas patologię. Możemy wygenerować dodatkowe przykłady tej klasy. Ale czy rzeczywiście zwiększymy różnorodność kliniczną? No niekoniecznie. Jeżeli generator nauczył się reprezentacji patologii na podstawie niewielkiej liczby przypadków, może tworzyć jedynie kolejne warianty tego, co już widział. Zajrzyjmy do badań, aby uzyskać pewność, że to faktycznie ma sens. W październiku 2026 roku Folguera-Profitós i współautorzy opublikowali w JMIR AI przegląd systematyczny obejmujący 160 badań dotyczących syntetycznych obrazów medycznych.
W badaniach, w których dodawano dane syntetyczne do rzeczywistych zbiorów treningowych, odnotowano medianę poprawy wybranych metryk klasyfikacyjnych:
- Precision: +7,8%
- Recall: +5,3%
- F1-score: +5,5%
- Accuracy: +4,3%
- AUC: +4,0%
Natomiast mediana poprawy współczynnika Dice w zadaniach segmentacji wyniosła zaledwie 1,2%. Co ciekawe, modele trenowane wyłącznie na danych syntetycznych zazwyczaj osiągały gorsze wyniki niż modele trenowane na danych rzeczywistych [2].cSą to opisowe mediany z różnych badań, a nie gwarantowane korzyści z dodania danych syntetycznych. Wniosek? Dane syntetyczne mogą być wartościowym uzupełnieniem danych rzeczywistych, ale niekoniecznie ich zamiennikiem.
Realistyczny obraz nie zawsze jest poprawny medycznie
To jeden z problemów, który szczególnie interesuje mnie w kontekście obrazowania medycznego. Modele generatywne potrafią tworzyć niezwykle realistyczne obrazy. Czasami trudno odróżnić je od rzeczywistych badań. Ale podobieństwo wizualne nie oznacza poprawności klinicznej. Wyobraźmy sobie syntetyczny obraz tomografii komputerowej. Struktury anatomiczne wyglądają prawidłowo, kontrast jest odpowiedni, a obraz przypomina rzeczywiste badanie. Jednak generator mógł subtelnie zmienić granice patologii albo wygenerować nieprawidłowy przebieg naczynia. Dla obserwatora różnica może być niewielka, ale dla modelu uczonego na takich obrazach jest istotna.
Czy metryki jakości wystarczą?
Wspomniany przegląd Folguera-Profitós i współautorów (2026) pokazuje, że ocena jakości syntetycznych obrazów medycznych jest bardzo niejednorodna. Spośród 160 analizowanych badań jedynie 50 uwzględniało ocenę z udziałem ludzi, a 101 wykorzystywało automatyczne metody oceny jakości obrazu [2]. Oznacza to, że nadal nie mamy jednego uniwersalnego sposobu oceny przydatności danych syntetycznych. Dlatego pytanie nie powinno brzmieć wyłącznie: „Czy obraz wygląda realistycznie?” Ale przede wszystkim: „Czy zachowuje właściwości istotne dla badanego problemu?”.
Czy dane syntetyczne naprawdę chronią prywatność?
Jednym z argumentów przemawiających za synthetic data jest możliwość udostępniania danych bez ujawniania informacji o rzeczywistych pacjentach. Tylko że syntetyczne nie oznacza automatycznie anonimowe. Modele generatywne mogą zapamiętywać pewne właściwości danych treningowych, a w określonych warunkach istnieje ryzyko ujawnienia informacji dotyczących rzeczywistych osób. Kaabachi i współautorzy (2025) przeanalizowali metody oceny prywatności i użyteczności syntetycznych danych medycznych. Wskazali, że ocena ryzyka naruszenia prywatności często pozostaje niewystarczająca, a stosowane metryki nie zawsze pozwalają właściwie określić poziom ochrony danych [3]. Nie wystarczy więc powiedzieć, że dane zostały wygenerowane przez AI. Trzeba jeszcze sprawdzić, czy rzeczywiście nie umożliwiają ujawnienia chronionych informacji.
Czy AI może uczyć się na własnych danych?
Tutaj pojawia się kolejny interesujący problem. Jeżeli modele generatywne tworzą dane treningowe dla następnych modeli, zaczynamy budować system, w którym AI uczy się na wynikach wcześniejszych systemów AI. Czy może to prowadzić do utraty informacji?
Problem model collapse
Shumailov i współautorzy (2024) w artykule opublikowanym w Nature opisali zjawisko określane jako model collapse. W analizowanych scenariuszach kolejne generacje modeli trenowanych rekurencyjnie na danych syntetycznych stopniowo traciły zdolność poprawnego odwzorowywania pierwotnego rozkładu danych. Szczególnie problematyczne było zanikanie przypadków rzadkich [4]. Nie oznacza to, że każde wykorzystanie danych syntetycznych prowadzi do degradacji modelu. Badanie dotyczyło określonych scenariuszy rekurencyjnego treningu. Pokazuje jednak ważne zagrożenie. Możemy generować coraz więcej danych, a jednocześnie stopniowo tracić informacje o rzeczywistej różnorodności badanego zjawiska. W medycynie byłoby to szczególnie niebezpieczne, ponieważ przypadki rzadkie i nietypowe często mają ogromne znaczenie diagnostyczne.
Jak sprawdzić, czy dane syntetyczne rzeczywiście pomagają?
Moim zdaniem najważniejsze jest odejście od pytania: „Czy udało nam się wygenerować realistyczne dane?” Na rzecz pytania: „Czy wykorzystanie tych danych poprawia rozwiązanie konkretnego problemu badawczego?”. W praktyce warto porównać model trenowany wyłącznie na danych rzeczywistych z modelem trenowanym na danych rzeczywistych uzupełnionych syntetycznymi. Następnie sprawdzić wyniki na niezależnym zbiorze testowym zawierającym rzeczywiste dane. W przypadku obrazowania medycznego szczególnie cenna będzie walidacja na danych pochodzących z innego ośrodka. Ważne jest również sprawdzenie wyników dla rzadkich patologii i różnych grup pacjentów. Nie można zapominać o przecieku informacji. Jeżeli generator zostanie wytrenowany na danych, które później wykorzystamy do testowania klasyfikatora, wyniki mogą być zawyżone. Dlatego prawidłowe rozdzielenie zbiorów powinno nastąpić przed trenowaniem generatora.
Czy synthetic data naprawdę pomaga nauce?
Moim zdaniem tak, ale pod warunkiem, że traktujemy dane syntetyczne jako narzędzie badawcze, a nie automatyczny zamiennik rzeczywistych obserwacji. Mogą pomagać w uzupełnianiu niewielkich zbiorów danych, symulowaniu określonych warunków i testowaniu odporności modeli.
Nie powinny jednak zwalniać nas z obowiązku walidacji. Ostatecznie celem badań naukowych nie jest posiadanie jak największego zbioru danych. Celem jest uzyskanie wiarygodnej wiedzy. Jeżeli na podstawie 200 rzeczywistych obserwacji wygenerujemy 20 000 syntetycznych przykładów, czy naprawdę wiemy sto razy więcej? Niekoniecznie. Możliwe, że dysponujemy po prostu znacznie większą liczbą reprezentacji tego, co już wiedzieliśmy. Dlatego zanim zaczniemy generować kolejne tysiące przykładów, warto zadać sobie pytanie: Czy potrzebujemy większej liczby danych, czy większej ilości informacji o rzeczywistości?
Literatura
[1] van Breugel, B., Liu, T., Oglic, D., & van der Schaar, M. (2024). Synthetic data in biomedicine via generative artificial intelligence. Nature Reviews Bioengineering, 2, 991–1004. DOI: 10.1038/s44222-024-00245-7.
[2] Folguera-Profitós, J., Ramiro-Pareta, M., Carot-Sans, G., Jiménez-Rueda, A., Aznar-Roig, J., Domínguez-Herrera, D., et al. (2026). Quality Assessment and Model Training Impact of Synthetic Images in Medical Diagnostic Imaging: Systematic Review. JMIR AI, 5, e81472. DOI: 10.2196/81472.
[3] Kaabachi, B., Despraz, J., Meurers, T., et al. (2025). A scoping review of privacy and utility metrics in medical synthetic data. npj Digital Medicine, 8, Article 60. DOI: 10.1038/s41746-024-01359-3.
[4] Shumailov, I., Shumaylov, Z., Zhao, Y., Papernot, N., Anderson, R., & Gal, Y. (2024). AI models collapse when trained on recursively generated data. Nature, 631, 755–759. DOI: 10.1038/s41586-024-07566-y.
Komentarze
Prześlij komentarz