Pyhealth 模型

# PyHealth 模型 ## 概述 PyHealth 提供了 33+ 种用于医疗预测任务的模型，从简单的基准模型到最先进的深度学习架构。模型分为通用架构和医疗专用模型。 ## 模型基类 所有模型都继承自 `BaseModel`，并具备标准的 PyTorch 功能： **关键属性：** - `dataset`: 关联的 SampleDataset - `feature_keys`: 要使用的输入特征（例如 ["diagnoses", "medications"]） - `mode`: 任务类型（"binary", "multiclass", "multilabel", "regression"） - `embedding_dim`: 特征嵌入维度 - `device`: 计算设备（CPU/GPU） **关键方法：** - `forward()`: 模型前向传播 - `train_step()`: 单次训练迭代 - `eval_step()`: 单次评估迭代 - `save()`: 保存模型检查点 - `load()`: 加载模型检查点 ## 通用模型 ### 基准模型 **逻辑回归** (`LogisticRegression`) - 带有均值池化的线性分类器 - 用于比较的简单基准 - 训练和推理速度快 - 具有良好的可解释性 **用法：** python from pyhealth.models import LogisticRegression model = LogisticRegression( dataset=sample_dataset, feature_keys=["diagnoses", "medications"], mode="binary" ) **多层感知机** (`MLP`) - 前馈神经网络 - 可配置的隐藏层 - 支持均值/求和/最大池化 - 结构化数据的良好基准 **参数：** - `hidden_dim`: 隐藏层大小 - `num_layers`: 隐藏层数量 - `dropout`: Dropout 比率 - `pooling`: 聚合方法（"mean", "sum", "max"） **用法：** python from pyhealth.models import MLP model = MLP( dataset=sample_dataset, feature_keys=["diagnoses", "medications"], mode="binary", hidden_dim=128, num_layers=3, dropout=0.5 ) ### 卷积神经网络 **CNN** (`CNN`) - 用于模式检测的卷积层 - 对序列和空间数据有效 - 捕获局部时间模式 - 参数高效 **架构：** - 多个 1D 卷积层 - 用于降维的最大池化 - 全连接输出层 **参数：** - `num_filters`: 卷积滤波器数量 - `kernel_size`: 卷积核大小 - `num_layers`: 卷积层数量 - `dropout`: Dropout 比率 **用法：** python from pyhealth.models import CNN model = CNN( dataset=sample_dataset, feature_keys=["diagnoses", "medications"], mode="binary", n