YAIB
إطار عمل شامل توحيد تجارب نماذج التنبؤ السريري على بيانات وحدات العناية المركزة والسجلات الصحية الإلكترونية.
توحيد تجارب التعلم الآلي السريري عبر مجموعات بيانات متعددة لوحدات العناية المركزة ومهام التنبؤ.
YAIB (Yet Another ICU Benchmark) هو إطار عمل بلغة Python مصمم لتسوية تجارب التعلم الآلي السريري باستخدام بيانات وحدات العناية المركزة والسجلات الصحية الإلكترونية. وهو مناسب للباحثين وعلماء البيانات الذين يعملون على النماذج التنبؤية عبر مجموعات بيانات متعددة المراكز مثل MIMIC و eICU و HiRID و AUMCdb.
ما هو
يوفر إطار العمل دعماً جاهزاً لقواعد بيانات وحدات العناية المركزة الرئيسية وخمس مهام سريرية قياسية، بما في ذلك وفيات العناية المركزة، والاصابة الحادة في الكلى، والإنتان، وظيفة الكلى، ومدة الإقامة. وهو يعمل على ملفات parquet المعالجة مسبقاً ويتكامل مع PyTorch و PyTorch Lightning لسير عمل التعلم العميق.
لمن هو
هو مناسب لباحثي التعلم الآلي وعلماء البيانات السريرية الذين يحتاجون إلى خط أنابيب موحد لقياس النماذج التنبؤية عبر قواعد بيانات وحدات العناية المركزة الدولية المختلفة. وهو غير مناسب للأطباء الذين ليس لديهم خبرة في البرمجة أو أولئك الذين يبحثون عن برامج دعم القرار السريري الجاهزة.
أهم الميزات
دعم مجموعات بيانات متعددة
توافق جاهز مع قواعد بيانات MIMIC-III و MIMIC-IV و eICU-CRD و HiRID و AUMCdb.
مهام سريرية قياسية
يتضمن خمس مهام افتراضية تغطي التصنيف الثنائي ونقاط النهاية الانحدارية مثل الوفيات والإنتان.
خط أنابيب قائم على Parquet
مصمم للعمل بكفاءة على ملفات parquet المعالجة مسبقاً مع إنشاء ذاكرة التخزين المؤقت وتحميلها المدمج.
تكامل PyTorch
مبني على PyTorch 2.0+ و Lightning 2.0+ للتعلم العميق القابل للتطوير وتجريب النماذج.
جاهز للعمل في 3 خطوات
حكمنا الصادق
ما يميّزه
- يوحد التقييم عبر قواعد بيانات وحدات العناية المركزة الدولية المتباينة
- يتضمن مجموعات بيانات تجريبية مُكوّنة مسبقاً لاختبار خطوط الأنابيب الفوري
- يدعم كل من نماذج التعلم الآلي الكلاسيكية والتعلم العميق
- يوفر مستودعات تابعة وحدوية للفئات والنماذج والمعالجة المسبقة
أين يقصّر
- يتطلب مهارات تقنية في Python وأدوات CLI ومديري الحزم مثل uv
- يعتمد على الحصول على وصول معتمد إلى قواعد بيانات PhysioNet الخارجية للاستخدام الكامل
- يتطلب تشغيل تجارب التعلم العميق الثقيلة متعددة المراكز موارد الحوسبة GPU كبيرة
- تتطلب خطوط أنابيب معالجة البيانات إعداداً يدوياً كبيراً قبل الاستيعاب
التسعير والرخصة
مجاني بموجب ترخيص MIT، بدون توفير خيارات مدفوعة مستضافة. التكلفة الوحيدة هي تشغيله بنفسك واكتساب الحوسبة الصلبة اللازمة لتدريب النماذج.
وظائف للناطقين بالعربية
874 وظيفة مفتوحة عن بعد في تدريب الذكاء الاصطناعي، آخر تحديث ١٥ نوفمبر ٢٠٢٦؛ أجر معظمها $20–$170 في الساعة. منها 2 وظائف تطلب متحدثين بالعربية. يعرضها ذكائي مجانًا، والتقديم يتم على منصة جهة التوظيف.
البدائل
أدوات الذكاء الاصطناعي المُراجَعة هذه تؤدي المهمة فوراً — من دليلنا المُقيَّم.
استخدمه، أو دعنا نُعِدّه لك
الأسئلة الشائعة
ما هي مجموعات البيانات المدعومة بشكل جاهز؟
يدعم YAIB مجموعات بيانات MIMIC-III و MIMIC-IV و eICU-CRD و HiRID و AUMCdb.
هل يمكنني إضافة مجموعات بيانات ومهام مخصصة؟
نعم، تم تصميم إطار العمل ليتيح لك توفير مجموعات بيانات وفئات ومهام تنبؤ ونقاط نهاية مخصصة.
هل أحتاج إلى الوصول إلى بيانات وحدات العناية المركزة الحقيقية لاختبار YAIB؟
لا، يتضمن المستودع مجموعات بيانات تجريبية معالجة من eICU و MIMIC حتى تتمكن من اختبار أوامر التدريب على الفور.
