使用可解释反事实生存分析学习器官移植分配的排队策略
_{J. Berrevoets, A. M. Alaa, Z. Qian, J. Jordon, A. E. S. Gimson, M. van der Schaar [ICML 2021]}

在这个仓库中，我们提供了我们ICML21论文中介绍的OrganSync，一个新颖的器官到患者分配系统的代码。请注意，此代码仅供研究目的使用，不打算用于实际应用。

在我们的论文中，我们对OrganITE进行了基准测试，这是我们之前介绍的一篇论文。我们使用此仓库中相同的框架重新实现了OrganITE（以及其他基准），以便所有代码都是可比较的。对于所有之前的实现，我们参考了OrganITE的专用仓库。

代码作者：J. Berrevoets (jb2384@cam.ac.uk)

仓库结构

此仓库组织如下

organsync/
    |- src/
        |- organsync/                       # Python library core
            |- data/                        # code to preprocess data
            |- eval_policies/               # code to run allocation simulations
            |- models/                      # code for inference models
    |- experiments/
        |- data                             # data modules
        |- models                           # training logic for models
        |- notebooks/wandb
            |- simulation_tests.ipynb       # experiments in Tab.1
            |- a_composition                # experiments in Fig.3
            |- sc_influence.ipynb           # experiments in Fig.4, top row
            |- rep_influence.ipynb          # experiments in Fig.4, bottom row
    |- test                                 # unit tests
    |- data                                 # datasets

安装

我们提供了一个requirements.txt文件

pip install -r requirements.txt
pip install .

请在新创建的虚拟环境中使用上述文件以避免依赖冲突。所有代码均针对python 3.8.6编写。

可用模型

使用的框架

我们广泛使用Weights and Biases（W&B）来记录我们的模型性能以及训练好的模型权重。为了运行我们的代码，如果您还没有账户，建议创建一个W&B账户（W&B）。所有代码均使用pytorch和pytorch-lightning编写。

运行实验

如上所述，每个笔记本代表一个实验。项目层次结构中的注释指明了图表或表格，以及实验所展示的具体论文。作为旁注，如果分配策略需要，您将需要训练相关的推理模型才能运行模拟实验（experiments/notebooks/wandb/simulation_tests.ipynb）。

训练新的模型（例如src/organsync/models/organsync_network.py）非常简单：

python -m experiments.models.organsync

（请运行python -m experiments.models.organsync --help以查看选项）。当训练完成后，模型将自动上传到W&B，以供实验中后续使用。*

引用

请按照以下方式引用我们的论文和/或代码：

@InProceedings{organsync,
  title = 	 {{Learning Queueing Policies for Organ Transplantation Allocation using Interpretable Counterfactual Survival Analysis}},
  author =       {Berrevoets, Jeroen and Alaa, Ahmed M. and Qian, Zhaozhi and Jordon, James and Gimson, Alexander E.S. and van der Schaar, Mihaela},
  booktitle = 	 {Proceedings of the 38th International Conference on Machine Learning},
  pages = 	 {792--802},
  year = 	 {2021},
  editor = 	 {Meila, Marina and Zhang, Tong},
  volume = 	 {139},
  series = 	 {Proceedings of Machine Learning Research},
  month = 	 {18--24 Jul},
  publisher =    {PMLR},
  pdf = 	 {http://proceedings.mlr.press/v139/berrevoets21a/berrevoets21a.pdf},
  url = 	 {http://proceedings.mlr.press/v139/berrevoets21a.html},
}

_{* 注意，我们重新训练了TransplantBenefit中使用的模型，以便与其他基准进行公平的比较，并在UNOS数据上进行比较。}