gerstung-lab/Delphi

解决的问题

Delphi 解决了建模人类疾病「自然史」的挑战——基于患者的医疗史，预测疾病的发展进程以及未来健康事件的时间点。

工作原理

该项目使用基于 nanoGPT 的修改版 GPT-2 架构，将患者健康轨迹视为序列。它在 UK Biobank 的 40 万条患者轨迹上进行训练，学习预测未来的疾病事件及其时间。系统包含用于评估预测准确性的工具，使用 UMAP 分析疾病嵌入的潜在空间，以及使用 SHAP 值确定哪些既往健康事件对特定未来预测影响最大。

适用人群

对流行病学建模、疾病进展以及生成式 Transformer 在健康数据分析中的应用感兴趣的医学研究人员和生物信息学家。

主要亮点

• 生成式 Transformer 方法：采用 GPT-2 风格模型，预测疾病的竞争风险和发病时间。
• 可解释性工具：包含用于 SHAP 分析的笔记本，以识别关键疾病驱动因素，以及用于可视化疾病嵌入的 UMAP。
• UK Biobank 集成：提供处理大规模真实世界健康数据的特定指南和脚本。
• 合成数据生成：能够生成统计上相似的合成患者轨迹，用于测试和研究。