pyhealth

# PyHealth：医疗 AI 工具包 ## 概述 PyHealth 是一个综合性的医疗 AI Python 库，为临床机器学习提供专门的工具、模型和数据集。在开发医疗预测模型、处理临床数据、使用医学编码系统或在医疗环境中部署 AI 解决方案时，请使用此技能。 ## 何时使用此技能 在以下情况调用此技能： - **处理医疗数据集**：MIMIC-III、MIMIC-IV、eICU、OMOP、睡眠 EEG 数据、医学图像 - **临床预测任务**：死亡率预测、医院再入院、住院时长、药物推荐 - **医学编码**：在 ICD-9/10、NDC、RxNorm、ATC 编码系统之间进行转换 - **处理临床数据**：序列事件、生理信号、临床文本、医学图像 - **实现医疗模型**：RETAIN、SafeDrug、GAMENet、StageNet、用于 EHR 的 Transformer - **评估临床模型**：公平性指标、校准、可解释性、不确定性量化 ## 核心能力 PyHealth 通过针对医疗 AI 优化的模块化 5 阶段流水线运行： 1. **数据加载**：通过标准化接口访问 10+ 个医疗数据集 2. **任务定义**：应用 20+ 个预定义的临床预测任务或创建自定义任务 3. **模型选择**：从 33+ 个模型中选择（基准模型、深度学习、医疗专用模型） 4. **训练**：通过自动检查点、监控和评估进行训练 5. **部署**：进行校准、解释和临床使用验证 **性能**：医疗数据处理速度比 pandas 快 3 倍 ## 快速入门工作流 python from pyhealth.datasets import MIMIC4Dataset from pyhealth.tasks import mortality_prediction_mimic4_fn from pyhealth.datasets import split_by_patient, get_dataloader from pyhealth.models import Transformer from pyhealth.trainer import Trainer # 1. 加载数据集并设置任务 dataset = MIMIC4Dataset(root="/path/to/data") sample_dataset = dataset.set_task(mortality_prediction_mimic4_fn) # 2. 拆分数据 train, val, test = split_by_patient(sample_dataset, [0.7, 0.1, 0.2]) # 3. 创建数据加载器 train_loader = get_dataloader(train, batch_size=64, shuffle=True) val_loader = get_dataloader(val, batch_size=64, shuffle=False) test_loader = get_dataloader(test, batch_size=64, shuffle=False) # 4. 初始化并训练模型 model = Transformer( dataset=sample_dataset, feature_keys=["diagnoses", "medications"], mode="bina