หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>ซอร์สโค้ดอื่น ๆ
ดาวน์โหลด

การสร้างชุดเวลา EHR แบบสังเคราะห์ที่น่าเชื่อถือในการรักษาความเป็นส่วนตัวผ่านแบบจำลองการแพร่กระจาย

ที่เก็บนี้มีการใช้งานรหัสสำหรับ TimeDiff ซึ่งเป็นแบบจำลองการแพร่กระจายที่ออกแบบมาสำหรับการสร้างข้อมูลอนุกรมเวลาแบบผสมใน EHR งานของเราได้รับการยอมรับจาก วารสารสมาคมสารสนเทศทางการแพทย์อเมริกัน (JAMIA)

วิธีเรียกใช้ TimeDiff

  • ใช้ requirements.txt เพื่อติดตั้งการพึ่งพา
  • etdiff_train.py เป็นสคริปต์ในการเริ่มต้นการฝึกอบรมแบบจำลอง หลังจากการฝึกอบรมเสร็จสมบูรณ์แล้วมันจะสร้างข้อมูลอนุกรมเวลา EHR สังเคราะห์โดยอัตโนมัติและจัดเก็บไว้ในไดเรกทอรีที่กำหนดโดยผู้ใช้ ไดเรกทอรีนี้สามารถระบุได้ด้วย --check_point_path อาร์กิวเมนต์บรรทัดคำสั่ง
  • การใช้งานเฉพาะของโมเดลสามารถพบได้ที่ models/ETDiff

การประมวลผลข้อมูลล่วงหน้า

โปรดดูไดเรกทอรี preprocess สำหรับสมุดบันทึก Jupyter และสคริปต์ Python เกี่ยวกับวิธีการประมวลผลข้อมูล EHR ล่วงหน้าสำหรับการฝึกอบรมและการประเมินผลแบบจำลอง

เส้นขอบฟ้า

หมายเหตุ: โปรดตั้งค่า PYTHONPATH อย่างถูกต้องกับรูทของที่เก็บนี้เพื่อเรียกใช้โมเดลพื้นฐาน

การพึ่งพาเส้นเขตแดน

เราขอแนะนำให้ใช้สภาพแวดล้อมที่เป็นอิสระสำหรับแต่ละรุ่นพื้นฐานเนื่องจากบางรุ่นมีข้อกำหนดที่แตกต่างกันอย่างชัดเจน (ตัวอย่างหนึ่งคือรุ่น Python สำหรับ TensorFlow 1.x) โปรดดูที่ที่เก็บรหัสสำหรับ baselines และภาคผนวก A.4.4 ในเอกสารของเราสำหรับรายละเอียดเพิ่มเติม

  • ehr-m-gan : เรียกใช้ baselines/ehrmgan_train.py ; การใช้งานจะถูกเก็บไว้ที่ models/ehr_m_gan
  • dspd/cspd : เรียกใช้ baselines/dspd_train.py ; การใช้งานจะถูกเก็บไว้ที่ models/tsdiff ; หากต้องการใช้ CSPD มากกว่า DSPD ให้ใช้การแพร่กระจายอย่างต่อเนื่องสำหรับอาร์กิวเมนต์ --diffusion กระจาย
  • GT-GAN : เรียกใช้ baselines/gtgan_train.py ; การใช้งานจะถูกเก็บไว้ที่ models/gt_gan
  • Timegan : เรียกใช้ baselines/timegan_train.py ; การใช้งานจะถูกเก็บไว้ที่ models/time_gan
  • rcgan : เรียกใช้ baselines/rcgan_train.py ; การใช้งานจะถูกเก็บไว้ที่ models/rc_gan
  • C-rnn-gan : เรียกใช้ baselines/crnngan_train.py ; การใช้งานจะถูกเก็บไว้ที่ models/crnn_gan
  • t-forcing/p-forcing : เรียกใช้ baselines/pt_forcing_train.py ; การใช้งานจะถูกเก็บไว้ที่ models/p_or_t_forcing ; ผ่านอาร์กิวเมนต์บรรทัดคำสั่ง -adversarial ใช้ p -forcing มิฉะนั้นจะใช้ T-Forcing
  • Halo : โปรดดูที่ baselines/halo_preprocess.py และคำอธิบายที่จัดทำโดยผู้เขียน Halo ในต้นฉบับของพวกเขาเพื่อประมวลผลข้อมูลอินพุตล่วงหน้า เรียกใช้ baselines/halo_train.py เพื่อฝึกอบรมโมเดลและ baselines/halo_generate.py สำหรับการสุ่มตัวอย่าง การใช้งานจะถูกเก็บไว้ที่ models/halo

ตัวชี้วัดการประเมินผล

  • eval_samples.py เป็นสคริปต์ที่รับผิดชอบในการเรียกใช้ตัวชี้วัดการประเมินทั้งหมดที่กล่าวถึงในบทความ; ในการเรียกใช้รหัสให้ผ่านตัวชี้วัดที่ตั้งใจไว้เพื่อใช้อาร์กิวเมนต์บรรทัดคำสั่ง --metric รวมถึงข้อมูลการฝึกอบรม ( --train_path ), การทดสอบข้อมูล ( --test_path ) และข้อมูลสังเคราะห์ ( --sync_path )
  • การใช้งานสำหรับตัวชี้วัดยูทิลิตี้ข้อมูลสามารถพบได้ที่ evaluate/utility.py
  • การใช้งานสำหรับตัวชี้วัดความเสี่ยงด้านความเป็นส่วนตัวสามารถพบได้ที่ evaluate/privacy.py py.py

การอ้างอิง 

 @article { tian2024reliable ,
  title = { Reliable generation of privacy-preserving synthetic electronic health record time series via diffusion models } ,
  author = { Tian, Muhang and Chen, Bernie and Guo, Allan and Jiang, Shiyi and Zhang, Anru R } ,
  journal = { Journal of the American Medical Informatics Association } ,
  pages = { ocae229 } ,
  year = { 2024 } ,
  publisher = { Oxford University Press }
}
ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด