YAIB
YBDS ve EHR verileri üzerinde klinik tahmin modeli deneylerini standartlaştırmak için bütüncül bir çerçeve.
Birden fazla YBDS veri seti ve tahmin görevi genelinde klinik makine öğrenimi deneylerini standartlaştırın.
YAIB (Yet Another ICU Benchmark), Yoğun Bakım Ünitesi ve Elektronik Sağlık Kaydı verilerini kullanarak klinik makine öğrenimi deneylerini standartlaştırmak için tasarlanmış bir Python çerçevesidir. MIMIC, eICU, HiRID ve AUMCdb gibi çok merkezli veri setleri üzerinde öngörücü modelleme çalışmaları yapan araştırmacılar ve veri bilimciler için uygundur.
Nedir
Çerçeve; YBDS mortalitesi, akut böbrek hasarı, sepsis, böbrek fonksiyonu ve yatış süresi dahil olmak üzere başlıca YBDS veritabanları ve beş standart klinik görev için kutudan çıktığı gibi destek sunar. Önceden işlenmiş parquet dosyaları üzerinde çalışır ve derin öğrenme iş akışları için PyTorch ile PyTorch Lightning entegrasyonu sağlar.
Kimler için
Farklı uluslararası YBDS veritabanları genelinde öngörücü modelleri kıyaslamak için birleşik bir boru hattına ihtiyaç duyan makine öğrenimi araştırmacıları ve klinik veri bilimciler için uygundur. Programlama deneyimi olmayan klinisyenler veya kutudan çıkan bir klinik karar destek yazılımı arayanlar için uygun değildir.
Temel özellikler
Çoklu Veri Seti Desteği
MIMIC-III, MIMIC-IV, eICU-CRD, HiRID ve AUMCdb veritabanları ile kutudan çıktığı gibi uyumluluk.
Standart Klinik Görevler
Mortalite ve sepsis gibi ikili sınıflandırma ve regresyon uç noktalarını kapsayan beş varsayılan görev içerir.
Parquet Tabanlı Boru Hattı
Yerleşik önbellek oluşturma ve yükleme ile önceden işlenmiş parquet dosyaları üzerinde verimli bir şekilde çalışmak üzere tasarlanmıştır.
PyTorch Entegrasyonu
Ölçeklenebilir derin öğrenme ve model denemeleri için PyTorch 2.0+ ve Lightning 2.0+ üzerine kurulmuştur.
3 adımda hazır
Dürüst kararımız
Artıları
- Farklı uluslararası YBDS veritabanları genelinde değerlendirmeyi standartlaştırır
- Anında boru hattı testi için önceden yapılandırılmış demo veri setleri içerir
- Hem klasik makine öğrenimi modellerini hem de derin öğrenmeyi destekler
- Kohortlar, modeller ve ön işleme için modüler yardımcı depolar sağlar
Eksileri
- Python, CLI araçları ve uv gibi paket yöneticileriyle teknik beceri gerektirir
- Tam kullanım için harici PhysioNet veritabanlarına kimlik bilgisiyle erişim kazanılmasına bağlıdır
- Ağır çok merkezli derin öğrenme deneyleri çalıştırmak önemli miktarda GPU hesaplama kaynağı gerektirir
- Veri ön işleme boru hatları, iç alımdan önce kapsamlı manuel kurulum gerektirir
Fiyatlar & lisans
MIT lisansı altında ücretsizdir, ücretli barındırılan bir seçenek sunulmamaktadır. Tek maliyet, sistemi kendiniz çalıştırmak ve modelleri eğitmek için gerekli donanım hesaplama gücünü sağlamaktır.
Türkçe konuşanlar için işler
874 açık uzaktan yapay zeka eğitimi işi, 15 Kasım 2026 tarihinde güncellendi; çoğu saatlik $20–$170 ödüyor. Bunların 2 tanesi Türkçe konuşanlar için. Zekai ücretsiz listeler; başvuru işverenin platformunda yapılır.
Alternatifler
İncelenmiş bu AI araçları aynı işi anında yapar — puanlı dizinimizden.
Kullanın ya da biz kuralım
SSS
Kutudan çıktığı gibi hangi veri setleri desteklenmektedir?
YAIB, MIMIC-III, MIMIC-IV, eICU-CRD, HiRID ve AUMCdb veri setlerini destekler.
Özel veri setleri ve görevler ekleyebilir miyim?
Evet, çerçeve; özel veri setleri, kohortlar, tahmin görevleri ve uç noktalar sağlamanıza izin verecek şekilde tasarlanmıştır.
YAIB'yi test etmek için gerçek YBDS verilerine erişmem gerekiyor mu?
Hayır, depo, eğitim komutlarını hemen test edebilmeniz için eICU ve MIMIC'ten işlenmiş demo veri setleri içerir.
