医疗顺序决策模拟工具。
项目描述
Medkit-learn(ing) 环境
Alex J. Chan, Ioana Bica, Alihan Huyuk, Daniel Jarrett, 和 Mihaela van der Schaar
Medkit-Learn(ing) 环境,或Medkit,是一个公开可用的Python包,提供对高保真合成医疗数据的简单和便捷访问。
首先,Medkit是一个支持以下功能的工具:(1)各种真实环境模型——从实际数据中学习,以反映真实的医疗环境),从而允许模拟(2)各种表达和可定制的策略模型,这些模型代表复杂的人类决策行为;以及(3)确保环境和策略组件解耦——因此可以独立控制。
通过实现上述功能,Medkit旨在通过使用用户可以获得的批量数据集,这些数据集具有已知的地面真相策略参数化,模拟具有各种程度马尔可夫性、有限理性、混杂、个体一致性和实践中的变异的决策行为,从而更容易、更稳健地验证决策建模的进步。
Medkit可以pip安装 - 我们建议克隆它,可选地创建一个虚拟环境,并安装它(这将自动安装依赖项)
git clone https://github.com/XanderJC/medkit-learn.git
cd medkit-learn
pip install -e .
示例用法
import medkit as mk
synthetic_dataset = mk.batch_generate(
domain = "Ward",
environment = "CRN",
policy = "LSTM",
size = 1000,
test_size = 200,
max_length = 10,
scale = True
)
static_train, observations_train, actions_train = synthetic_dataset['training']
static_test, observations_test, actions_test = synthetic_dataset['testing']
虽然医学机器学习在必要性上几乎总是完全离线,但我们还提供了一个接口,您可以通过该接口在线与该环境进行交互,如果您觉得这很有用。例如,您可以在指定奖励函数的环境中训练自定义RL策略,然后您可以测试推理算法在表示策略的能力。
env = mk.live_simulate(
domain="ICU",
environment="SVAE"
)
static_obs, observation, info = env.reset()
observation, reward, info, done = env.step(action)
引用
如果您使用此软件,请按照以下方式引用
@misc{chan2021medkitlearning,
title={The Medkit-Learn(ing) Environment: Medical Decision Modelling through Simulation},
author={Alex J. Chan and Ioana Bica and Alihan Huyuk and Daniel Jarrett and Mihaela van der Schaar},
year={2021},
eprint={2106.04240},
archivePrefix={arXiv},
primaryClass={cs.LG}
}
项目详情
下载文件
下载适合您平台的文件。如果您不确定要选择哪个,请了解更多关于安装包的信息。
源代码分发
此发布版本没有提供源代码分发文件。请参阅生成分发存档的教程。
构建分发
medkit_learn-0.1.0-py3-none-any.whl (22.4 MB 查看哈希值)
关闭
哈希值 for medkit_learn-0.1.0-py3-none-macosx_10_14_x86_64.whl
算法 | 哈希摘要 | |
---|---|---|
SHA256 | fc4428ed27a5a8c49fac46488ec559b63139598e92328649690bdd69243a2da7 |
|
MD5 | 53dc810f29bd8eef335ab88396f99504 |
|
BLAKE2b-256 | 70704287b14ebc6ed1b33ad04b7cb9b61dd0a51856e83c36184b9e8d3d0f3b49 |