OncoSynth: 암 종양학 분야에서 치료 효과 추정을 위한 합성 데이터 생성

OncoSynth: Synthetic data generation for treatment effect estimation in oncology

암 종양학 분야에서 환자 개별 데이터를 얻는 것은 종종 제한적입니다. 합성 데이터는 치료 효과를 분석하는 대안을 제공하지만, 기존의 합성 데이터 생성 방법은 변수, 치료 및 결과 간의 인과 관계를 유지하지 못하여 치료 효과 추정에 편향을 초래합니다. 본 연구에서는 OncoSynth라는 새로운 머신러닝 프레임워크를 소개합니다. OncoSynth는 인과 관계를 고려한 생성 모델로 설계되었으며, 정확한 모집단 및 환자 수준의 치료 효과 추정을 가능하게 하는 합성 코호트를 생성하는 데 사용됩니다. OncoSynth는 확산 기반의 순차적 접근 방식을 사용하여 변수가 치료 결정에 미치는 영향과 치료가 생존율에 미치는 영향을 모델링합니다. 저희는 대규모 폐암(N = 37,128) 및 유방암(N = 17,046) 코호트를 사용하여 OncoSynth를 평가했습니다. 결과적으로 OncoSynth는 실제 환자, 치료 및 결과 분포를 유지하는 고품질의 합성 환자 코호트를 생성합니다. 특히, OncoSynth는 기존 방법보다 치료 효과 추정 성능이 우수하며, 모집단 수준의 치료 효과 오차를 최대 66% 감소시키고, 환자 수준의 치료 효과 오차를 최대 58%까지 줄입니다. 따라서 OncoSynth는 데이터 공유가 제한적인 환경에서 정밀 종양학 연구에 신뢰할 수 있는 증거를 제공하는 데 기여합니다.

In oncology, access to patient-level data is often restricted. Synthetic data provides an alternative for analyzing treatment effectiveness, but existing methods for synthetic data generation fail to preserve the causal relationships between covariates, treatments, and outcomes, thereby leading to biased estimates of treatment effects. Here, we introduce OncoSynth, a generative, causally-aware machine learning framework designed to produce synthetic cohorts that enable accurate estimation of population- and patient-level treatment effects. OncoSynth uses a diffusion-based sequential approach to model how covariates influence treatment assignment and how treatment affects survival. We evaluate OncoSynth using large lung (N = 37,128) and breast cancer (N = 17,046) cohorts. Our results show that OncoSynth generates high-fidelity synthetic patient cohorts that preserve real-world patient, treatment, and outcome distributions. Notably, OncoSynth improves treatment effect estimation over existing approaches, by reducing population-level treatment effect error by up to 66%, and patient-level treatment effect error by up to 58%. Thereby, OncoSynth supports reliable evidence generation for precision oncology in settings where data sharing is restricted.