[论文解读] PyHealth: A Python Library for Health Predictive Models

Yue Zhao, Zhi Qiao+3 more|arXiv (Cornell University)|Jan 11, 2021

Machine Learning in Healthcare参考文献 20被引用 15

一句话总结

PyHealth 是一个开源的 Python 库，提供统一、可扩展的框架，用于在多种医疗健康数据类型（如电子健康记录、医学影像、生理信号和临床笔记）上开发和基准测试预测模型，使研究人员和从业者能够使用一致的 API 和大量预实现模型，仅用不到十行代码即可构建复杂的机器学习流水线。

ABSTRACT

Despite the explosion of interest in healthcare AI research, the reproducibility and benchmarking of those research works are often limited due to the lack of standard benchmark datasets and diverse evaluation metrics. To address this reproducibility challenge, we develop PyHealth, an open-source Python toolbox for developing various predictive models on healthcare data. PyHealth consists of data preprocessing module, predictive modeling module, and evaluation module. The target users of PyHealth are both computer science researchers and healthcare data scientists. With PyHealth, they can conduct complex machine learning pipelines on healthcare datasets with fewer than ten lines of code. The data preprocessing module enables the transformation of complex healthcare datasets such as longitudinal electronic health records, medical images, continuous signals (e.g., electrocardiogram), and clinical notes into machine learning friendly formats. The predictive modeling module provides more than 30 machine learning models, including established ensemble trees and deep neural network-based approaches, via a unified but extendable API designed for both researchers and practitioners. The evaluation module provides various evaluation strategies (e.g., cross-validation and train-validation-test split) and predictive model metrics. With robustness and scalability in mind, best practices such as unit testing, continuous integration, code coverage, and interactive examples are introduced in the library's development. PyHealth can be installed through the Python Package Index (PyPI) or https://github.com/yzhao062/PyHealth .

研究动机与目标

• 解决医疗健康 AI 研究中缺乏标准化基准数据集和评估指标的问题，以提高可复现性。
• 提供一个全面、端到端的预测性健康建模工具包，支持多种数据类型和建模任务。
• 通过统一的 API，使研究人员和医疗数据科学家能够以最少的代码实现复杂的机器学习流水线。
• 通过自动化测试、持续集成、代码覆盖率以及使用 PyTorch 实现的 GPU 加速，确保系统的稳健性和可扩展性。
• 通过提供标准化的评估策略和指标，促进基准测试和模型比较，覆盖多种医疗健康任务。

提出的方法

• 设计三模块架构：数据预处理、预测建模和评估，每个模块均具有标准化接口。
• 实现超过 30 种先进的机器学习和深度学习模型，包括 XGBoost、LSTM、ResNet 和注意力机制模型，按数据类型（序列、图像、信号、文本）进行分组。
• 采用类似 scikit-learn 的 API 设计，方法签名一致：fit()、load_model() 和 inference() 分别用于模型训练、选择和预测。
• 集成单元测试、持续集成（Travis CI、CircleCI）和代码覆盖率检查，以确保可靠性和可维护性。
• 通过 PyTorch 实现深度学习模型的 GPU 加速，并在数据预处理中支持并行化，以提升可扩展性。
• 提供交互式示例、通过 Sphinx 和 Read the Docs 提供的详细文档，以及对多种 Python 版本和操作系统的支持。

实验结果

研究问题

• RQ1 一个统一的开源 Python 库在多源异构医疗健康数据类型上，如何简化预测模型的开发与基准测试？
• RQ2 标准化 API 在多大程度上能够减少训练和评估多样化医疗 AI 模型所需的代码复杂度？
• RQ3 一个包含自动化评估和稳健软件工程实践的综合性工具包，是否能够提升医疗 AI 研究的可复现性？
• RQ4 一个单一库在多模态数据（如 EHR、影像、信号、文本）上，能否以一致的建模和评估工作流实现高效支持？
• RQ5 内置测试、CI/CD 和文档对医疗 AI 库的长期可维护性和采用率有何影响？

主要发现

• PyHealth 通过一致的、类似 scikit-learn 的 API，仅用不到十行代码即可实现复杂深度学习流水线在医疗数据上的应用。
• 该库支持超过 30 种预实现模型，涵盖四种数据模态——序列、图像、信号和文本，从 XGBoost 到 ResNet 和双向 GRU 等先进架构。
• 通过持续集成、单元测试和代码覆盖率等稳健的软件工程实践，确保了库的高可靠性和可维护性。
• 该库已在 IQVIA 的商业项目中实际应用，并被顶尖高校的研究人员广泛使用，表明其具有强大的采用度和实际适用性。
• 通过 Read the Docs 提供的全面文档和交互式示例，显著降低了新用户的入门门槛。
• 该库为开源，托管于 GitHub，拥有活跃的社区贡献和跨平台兼容性，显著增强了其可持续性和可扩展性。