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}
}