medigan: a Python library of pretrained generative models for medical image synthesis.

Purpose: Deep learning has shown great promise as the backbone of clinical decision support systems. Synthetic data generated by generative models can enhance the performance and capabilities of data-hungry deep learning models. However, there is (1) limited availability of (synthetic) datasets and (2) generative models are complex to train, which hinders their adoption in research and clinical applications. To reduce this entry barrier, we explore generative model sharing to allow more researchers to access, generate, and benefit from synthetic data. Approach: We propose medigan, a one-stop shop for pretrained generative models implemented as an open-source framework-agnostic Python library. After gathering end-user requirements, design decisions based on usability, technical feasibility, and scalability are formulated. Subsequently, we implement medigan based on modular components for generative model (i) execution, (ii) visualization, (iii) search & ranking, and (iv) contribution. We integrate pretrained models with applications across modalities such as mammography, endoscopy, x-ray, and MRI. Results: The scalability and design of the library are demonstrated by its growing number of integrated and readily-usable pretrained generative models, which include 21 models utilizing nine different generative adversarial network architectures trained on 11 different datasets. We further analyze three medigan applications, which include (a) enabling community-wide sharing of restricted data, (b) investigating generative model evaluation metrics, and (c) improving clinical downstream tasks. In (b), we extract Fréchet inception distances (FID) demonstrating FID variability based on image normalization and radiology-specific feature extractors. Conclusion: medigan allows researchers and developers to create, increase, and domain-adapt their training data in just a few lines of code. Capable of enriching and accelerating the development of clinical machine learning models, we show medigan's viability as platform for generative model sharing. Our multimodel synthetic data experiments uncover standards for assessing and reporting metrics, such as FID, in image synthesis studies.

Информирование о рисках, связанных с загрязнением атмосферного воздуха в Европейском регионе ВОЗ: обзор индексов качества воздуха и извлеченные уроки

В данном докладе представлен обзор индексов качества воздуха, используемых в 37 государствах-членах Европейского региона ВОЗ, а также некоторые наблюдения/предложения в отношении будущих мероприятий по улучшению информирования о риске загрязнения воздуха. В регионе информация о качестве воздуха широко доступна для населения, как онлайн, так и через официальные мобильные приложения. Информацию о прогнозируемом загрязнении воздуха часто сообщают вместе с данными мониторинга загрязнения воздуха в режиме почти реального времени. В большинстве стран используются национальные индексы качества воздуха вместо единого индекса, например, разработанного Европейским агентством по окружающей среде, а в некоторых применяется несколько различных индексов. Для расчета значений индексов используется широкий спектр подходов, но общая структура индексов схожа. Многие индексы не предусматривают строгой валидации для обеспечения соответствия значений индексов рискам для здоровья на уровне населения. Качество сопроводительной информации о здоровье варьируется в широких пределах, но во всем регионе были найдены хорошие примеры. В лучших примерах представлена информация о затронутых группах населения, описаны вероятные симптомы и даны конкретные рекомендации по снижению воздействия и рисков для здоровья. Учитывая широкий диапазон наблюдаемых концентраций загрязняющих веществ, смесей и предпочтений в отношении рисков, очень важно обеспечить специально разработанные информационные сообщения о здоровье наряду с информацией об индексных показателях. В дополнение к валидационным исследованиям на основе состояния здоровья населения, исследования должны быть направлены на понимание того, как население использует индексы качества воздуха (включая специальные предупреждения): сколько людей знают об этом индексе, регулярно ли они его изучают, изменяют ли они поведение в ответ на полученную информацию, и какие конкретные действия они предпринимают, реагируя на значения индекса и соответствующие сообщения о вреде для здоровья.

Risk communication of ambient air pollution in the WHO European Region: review of air quality indexes and lessons learned

This report provides an overview of air quality indexes used in 37 Member States of the WHO European Region and some observations/suggestions for future developments to improve risk communication on air pollution. In the Region, air quality information is widely available to the public, both online and through official mobile apps. Forecasted air pollution information is often reported alongside near real-time air pollution monitoring data. Most countries use a national Air Quality Index instead of a uniform index, such as that provided by the European Environment Agency, and some use several different indexes. A wide range of approaches are used to calculate index values, but the general structure of indexes is similar. Many indexes lack rigorous validation to ensure that index values correspond to population-level health risks. Quality of the accompanying health messaging varies widely, but good examples were found throughout the Region. The best examples provide information on the affected subpopulations, describe likely symptoms and make specific recommendations to reduce exposures and health risks. Given the wide range of pollutant concentrations, mixtures and risk preferences observed, it is critical to provide tailored health messaging to accompany index levels. In addition to health-based validation studies, research should focus on understanding how the public uses air quality indexes (including special alerts): how many people are aware of the index, whether they consult it regularly, whether they modify behaviour in response to the information, and what specific actions they take in response to index values and associated health messages.