AI-READI合成数据论文发布：三类数据能拼成患者档案吗？

2026年10月16日，《Scientific Data》在线发布AI-READI合成数据研究的已接收早期版本。研究团队用生成式AI制作眼底图像、视网膜断层图像和临床表格，目的是让教学、算法原型和研究评估更容易开展。对医学AI开发者而言，关键不只是数据量，而是这些数据保留了哪些关系：三个模块分别生成，不能直接拼成同一位患者的完整档案。

AI-READI论文图4：真实与合成表格数据的六项特征分布及相关矩阵对照 — 真实研究资料图：论文图4对照表格数据的分布和相关矩阵，展示的是统计结构，不是患者影像。来源：Nicholas J. Jackson等，《Scientific Data》，原论文；按CC BY 4.0转载。直接提取原图，未改动图中数据。

三类数据，三个不同的计数单位

论文基于原始AI-READI第3版数据开展生成工作；原始队列包含2,280名参与者。下表列的是生成后的数据规模，不能将它们相加解释为新增患者人数。

合成模块	公布规模	计数与使用边界
眼底摄影	93,856张	按设备、部位、左右眼及疾病等属性进行条件生成；不是93,856位受试者。
光学相干断层成像（OCT）	56,512张切片	研究将图像处理为256×256像素，并选取OCT扫描中间切片；不能等同于完整三维扫描。
临床及可穿戴表格	10,518条记录	对应人日粒度，整合临床测量及可穿戴设备的聚合特征；不是10,518个独立个体。

生成模型只使用原始数据的训练分区拟合，分区按参与者划分。这个设计让同一位参与者不会同时出现在原始训练和测试分区，但它本身不能证明模型已能迁移到其他医院或设备。

保留单个模块的规律，不代表保留患者间的跨模态关系

论文明确说明，眼底、OCT和表格模块独立生成。保留一张OCT图像的结构，和保留“同一人的眼底图、OCT及血糖变化之间的联系”，是不同的目标。本研究主要评估前者及各模块内部的统计关系。

因此，即使文件目录和字段尽量兼容原始AI-READI格式，也不能仅凭形式相似，就把不同模块中的记录当作同一个人的配对样本。本文据此判断：它适合先验证单模块的数据处理和算法流程；若要研究跨模态融合，仍需另外确认可靠的配对依据，而不是自行按编号拼接。

分类效用是在保留的真实测试集上评估

团队分别用真实数据和合成数据训练分类模型，再在保留的真实数据上测试。眼底和OCT任务涉及糖尿病视网膜病变、青光眼及年龄相关性黄斑变性；表格任务涉及2型糖尿病、高胆固醇和高血压。作者报告，多项任务的AUC较接近，但并非每项都相同。

AI-READI论文图3：合成数据与真实数据训练的分类器在真实保留测试集上的AUC比较 — 真实研究资料图：论文图3中，白柱代表合成数据训练，黑柱代表真实数据训练；两者均在真实保留测试集上评估。来源：Jackson等，原论文，CC BY 4.0。从PDF按原图印刷分辨率渲染为网页图片，保留图例、坐标及全部任务，未改动数值。该图不是临床部署结果。

这里的证据是指定分类任务上的可迁移性，不是实际诊疗试验，也不是对所有病种、人群或跨模态模型的通用保证。论文还指出，表格模块反映训练分区的分布，部分人口学属性未用于条件生成，涉及人群构成的分析需要谨慎。

隐私攻击接近随机水平，为何仍不能说“零风险”？

成员推断攻击要判断某条真实记录是否曾进入原始数据。团队采用记录相似度评估；对图像，使用RETFound提取的特征，而不是只比较像素。报告的攻击AUC依次为：OCT 0.511、眼底0.506、表格0.488，接近随机猜测的0.5基准。

这些数值属于隐私攻击评估，与上图的疾病分类AUC不是同一指标。它们说明所测试攻击在设定条件下区分能力有限，不能扩展为所有攻击都无效或任何记录都不会泄露。作者没有公开生成模型，以降低依赖模型访问的攻击风险；这也是理解结果时需要保留的条件。

用相互分离的琥珀色视网膜形态、青色层状玻璃和数据方块表现三类独立合成模块的概念插画 — AI原创概念图，非真实现场。三个分离的物件寓意独立生成的数据模块，不展示患者、实际扫描或实验结果。来源：小花儿AI使用内置ImageGen生成，供本文原创配图使用。

真正可用的起点：先分清数据、许可和研究目标

这次的新进展是论文及其验证细节在线发表，不是说数据首次在10月16日出现：团队的Zenodo存档标注日期为9月24日，且同样说明三个模块独立生成。原论文、存档和下载页面都来自该项目相关方，不能算三次独立复现。

论文图片的CC BY许可，也不等于整个数据集可以任意再分发。存档附带的定制数据许可允许符合条款的研究、商业及非商业用途，但禁止依据数据作临床治疗决策、尝试重新识别来源个体，以及未经许可将数据作为独立公开下载包发布。使用者应阅读完整条款，并通过官方流程获取数据。

对研究者而言，合理的第一步是选定一个模块和明确任务，核对计数单位及测试人群，再决定是否需要真实数据复核。合成数据可以降低方法试验的起步门槛，却不能自动补上患者配对、外部验证和临床证据。

资料来源与核验说明

Jackson等，A Synthetic Multi-modal Dataset for Type 2 Diabetes，《Scientific Data》，在线发布日期：2026年10月16日。当前为已接收的早期版本，最终编辑版可能替换；本文依据其方法、数据记录及技术验证部分整理。
项目团队，Synthetic AI-READI Dataset for T2DM Research存档，标注发布日期：2026年9月24日；附AI-READI Synthetic Data License Agreement v1.0，许可文件未单独标明发布日期。
作者生成与验证代码仓库，持续更新，未标注单一正式发布日期；仅用于核对工作流程，本文未自行运行复现实验。
项目方AWS Marketplace下载说明，未标注发布日期。其部分宣传表述与论文的独立生成限制不同，本文以原论文和存档的明确限制为准，不将网页宣传视作独立实验依据。

资料核验时间：2026年10月17日09:07（北京时间）。本文由小花儿AI使用AI辅助整理公开资料。