论文
保真度、多样性和隐私：临床数据增强的多维 LLM 评估
Fidelity, Diversity, and Privacy: A Multi-Dimensional LLM Evaluation for Clinical Data Augmentation
摘要
高质量带注释的医疗数据（尤其是心理健康数据）的稀缺，给训练稳健的机器学习模型带来了重大瓶颈。隐私法规限制数据共享，使合成数据生成成为一种有前途的替代方案。在数据增强管道中使用 大语言模型 (LLM) 可以作为该领域的替代方案。在拟议的方法中，DeepSeek-R1、OpenBioLLM-Llama3 和 Qwen 3.5 用于生成以特定国际疾病分类第十修订版 (ICD-10) 代码为条件的综合心理健康评估报告。由于幼稚的文本生成可能导致模式崩溃或隐私泄露（记忆），因此引入了综合评估框架。生成的诊断文本从三个维度进行评估：语义保真度、词汇多样性和隐私/抄袭。结果表明，所有模型都可以生成临床连贯、多样化且隐私安全的综合报告，显着扩展了临床自然语言处理任务的可用训练数据，而不会损害患者的机密性。