使用可解释的反事实生存分析 学习器官移植分配的排队策略J. Berrevoets
_{, AM Alaa, Z. Qian, J. Jordon, AES Gimson, M. van der Schaar [ICML 2021]}

在这个存储库中，我们为我们的 ICML21 论文提供了代码，该论文介绍了一种新的器官到患者分配系统 OrganSync。请注意，此代码用于研究目的，并不打算在实践中使用。

在我们的论文中，我们以我们之前介绍的论文 OrganITE 为基准。我们使用此存储库中的相同框架重新实现了 OrganITE（以及其他基准测试），以便所有代码在整个过程中都是可比较的。对于所有以前的实现，我们参考 OrganITE 的专用存储库。

代码作者：J. Berrevoets ( jb2384@cam.ac.uk )

存储库结构

该存储库的组织方式如下：

organsync/
    |- src/
        |- organsync/                       # Python library core
            |- data/                        # code to preprocess data
            |- eval_policies/               # code to run allocation simulations
            |- models/                      # code for inference models
    |- experiments/
        |- data                             # data modules
        |- models                           # training logic for models
        |- notebooks/wandb
            |- simulation_tests.ipynb       # experiments in Tab.1
            |- a_composition                # experiments in Fig.3
            |- sc_influence.ipynb           # experiments in Fig.4, top row
            |- rep_influence.ipynb          # experiments in Fig.4, bottom row
    |- test                                 # unit tests
    |- data                                 # datasets

安装

我们提供了一个requirements.txt文件：

pip install -r requirements.txt
pip install .

请在新创建的虚拟环境中使用上述内容，以避免冲突的依赖关系。所有代码都是为python 3.8.6.

可用型号

使用的框架

我们广泛使用权重和偏差 ( W&B ) 来记录我们的模型性能以及经过训练的模型权重。要运行我们的代码，如果您还没有W&B 帐户，我们建议您创建一个（此处）。所有代码都是用pytorch和pytorch-lightning编写的。

运行实验

如上所述，每个笔记本代表一个实验。项目层次结构中提供的注释指示图形或表格，以及展示实验的具体论文。作为旁注，为了运行模拟实验 ( experiments/notebooks/wandb/simulation_tests.ipynb)，如果分配策略需要，您将需要训练相关的推理模型他们。

训练一个新模型（例如src/organsync/models/organsync_network.py）简单地完成为

python -m experiments.models.organsync

（请运行 python -m Experiments.models.organsync --help 查看选项）。训练完成后，模型会自动上传到 W&B，以供以后在实验中使用。*

引用

请引用我们的论文和/或代码如下：

@InProceedings{organsync,
  title = 	 {{Learning Queueing Policies for Organ Transplantation Allocation using Interpretable Counterfactual Survival Analysis}},
  author =       {Berrevoets, Jeroen and Alaa, Ahmed M. and Qian, Zhaozhi and Jordon, James and Gimson, Alexander E.S. and van der Schaar, Mihaela},
  booktitle = 	 {Proceedings of the 38th International Conference on Machine Learning},
  pages = 	 {792--802},
  year = 	 {2021},
  editor = 	 {Meila, Marina and Zhang, Tong},
  volume = 	 {139},
  series = 	 {Proceedings of Machine Learning Research},
  month = 	 {18--24 Jul},
  publisher =    {PMLR},
  pdf = 	 {http://proceedings.mlr.press/v139/berrevoets21a/berrevoets21a.pdf},
  url = 	 {http://proceedings.mlr.press/v139/berrevoets21a.html},
}

_{* 请注意，我们重新训练了 TransplantBenefit 中使用的模型，以便与其他基准进行公平比较，并比较 UNOS 数据。}