gerstung-lab/Delphi

해결하는 문제

Delphi는 환자의 의료 이력에 기반하여 질병의 진행 상황과 미래 건강 사건의 시점을 예측하는 '자연사' 모델링이라는 도전 과제를 해결합니다.

작동 방식

이 프로젝트는 nanoGPT를 기반으로 한 수정된 GPT-2 아키텍처를 사용하여 환자의 건강 경로를 시퀀스로 취급합니다. UK Biobank의 40만 건의 환자 경로 데이터로 훈련되어 미래 질병 사건과 그 시점을 예측하는 능력을 학습했습니다. 시스템에는 예측 정확도 평가 도구, UMAP를 활용한 질병 임베딩의 잠재 공간 분석, 그리고 특정 미래 예측에 가장 강하게 영향을 미치는 과거 건강 사건을 SHAP 값으로 식별하는 도구가 포함되어 있습니다.

대상 사용자

역학적 모델링, 질병 진행, 그리고 건강 데이터 분석을 위한 생성형 트랜스포머의 활용에 관심 있는 의료 연구자 및 생정보학자.

주요 특징

• 생성형 트랜스포머 접근법: GPT-2 스타일 모델을 사용하여 질병의 경쟁 위험과 발병 시점을 예측.
• 해석 가능성 도구: SHAP 분석을 위한 노트북과 질병 임베딩 시각화를 위한 UMAP 포함.
• UK Biobank 통합: 대규모 실세계 건강 데이터 처리를 위한 특화된 가이드 및 스크립트 제공.
• 합성 데이터 생성: 테스트 및 연구용으로 통계적으로 유사한 합성 환자 경로 생성 가능.