caml mimic

Status: Diarsipkan. Kode disediakan apa adanya tanpa pembaruan yang diharapkan. Sayangnya saya tidak memiliki waktu pribadi untuk mendedikasikan untuk mempertahankan repo ini/menanggapi masalah, atau akses ke dataset Mimic lagi, meskipun saya berharap kode model dan pemisahan data masih dapat digunakan untuk masyarakat.

caml-mimic

Kode untuk makalah ini dapat dijelaskan prediksi kode medis dari teks klinis.

Dependensi

• Python 3.6, meskipun 2,7 semoga harus bekerja juga
• Pytorch 0.3.0
• TQDM
• scikit-learn 0.19.1
• numpy 1.13.3, scipy 0.19.1, panda 0.20.3
• Jupyter-Notebook 5.0.0
• Gensim 3.2.0
• NLTK 3.2.4

Versi lain juga dapat berfungsi, tetapi yang terdaftar adalah yang saya gunakan

Pengolahan data

Untuk memulai, pertama-tama edit constants.py untuk menunjuk ke direktori yang memegang salinan dataset Mimic-II dan Mimic-III Anda. Kemudian, atur data Anda dengan struktur berikut:

 mimicdata
|   D_ICD_DIAGNOSES.csv
|   D_ICD_PROCEDURES.csv
|   ICD9_descriptions (already in repo)
└───mimic2/
|   |   MIMIC_RAW_DSUMS
|   |   MIMIC_ICD9_mapping
|   |   training_indices.data
|   |   testing_indices.data
└───mimic3/
|   |   NOTEEVENTS.csv
|   |   DIAGNOSES_ICD.csv
|   |   PROCEDURES_ICD.csv
|   |   *_hadm_ids.csv (already in repo)

File Mimic-II dapat diperoleh dari repositori ini.

Sekarang, pastikan jalur Python Anda termasuk direktori dasar repositori ini. Kemudian, di jupyter notebook, jalankan semua sel (di menu, klik sel -> jalankan semua) di notebooks/dataproc_mimic_II.ipynb dan notebooks/dataproc_mimic_III.ipynb . Ini akan memakan waktu, jadi jalan -jalan atau panggang kue sambil menunggu. Anda dapat mempercepatnya dengan melewatkan bagian "pre-train word embeddings".

Model yang disimpan

Untuk secara langsung mereproduksi hasil kertas, pertama -tama jalankan langkah -langkah pemrosesan data di atas. Kami menyediakan model pra-terlatih kami untuk CAML dan DR-CAML untuk dataset label penuh Mimic-III. Mereka disimpan sebagai model.pth di direktori masing -masing. Kami juga menyediakan skrip evaluate_model.sh untuk mereproduksi hasil kami dari model.

Melatih model baru

Untuk melatih model baru dari awal, silakan gunakan skrip learn/training.py . Jalankan python training.py -h untuk daftar lengkap argumen input dan bendera. Skrip train_new_model.sh dalam predictions/ subdirektori dapat berfungsi sebagai contoh (atau Anda dapat menjalankannya secara langsung untuk menggunakan hiperparameter yang sama).

Prediksi model

Prediksi yang memberikan hasil dalam kertas disediakan dalam predictions/ . Setiap direktori berisi:

• preds_test.psv , file nilai yang dipisahkan pipa yang berisi prediksi HADM_ID dan model dari semua contoh pengujian
• train_new_model.sh , yang melatih model baru dengan hiperparameter yang disediakan di koran.

Untuk mereproduksi hasil F-Feasure kami dari prediksi, misalnya hasil CNN pada Mimic-II, jalankan python get_metrics_for_saved_predictions.py predictions/CNN_mimic2_full .