Salut tout le monde,

Je suis un chercheur indépendant et j’ai récemment terminé la construction Xplainmdun pipeline d’IA explicable de bout en bout pour les graphiques de connaissances biomédicaux. Il est conçu pour prédire et expliquer Plusieurs connexions biomédicales telles que les relations médicamenteuses-divertissement ou génières-phénotypes à l’aide d’un mélange d’apprentissage graphique et de modèles de gros langage.

Ce qu’il fait:

• Usages R-gcn pour la prédiction des liens multi-relations sur Primekg (graphique de connaissances en médecine de précision)
• Utilise Gnneplaiteur Pour l’interprétabilité du modèle
• Visualise les sous-graphes de prédictions de modèle avec Pyvis
• Explique les prédictions du modèle en utilisant Lama 3.1 8b Instruire le contrôle de la santé mentale et l’explication du langage naturel
• Déployé dans un interactif Gradio App

🚀 Pourquoi je l’ai construit:

Je voulais créer quelque chose qui va au-delà de la prédiction et donne aux chercheurs un moyen de comprendre le "pourquoi" Derrière la décision d’un modèle, en particulier dans des domaines sensibles comme la médecine de précision.

🧰 pile technologique:

PyTorch Geometric • GNNExplainer • LLaMA 3.1 • Gradio • PyVis

Voici le référentiel complet + rédaction:

https://medium.com/@fhirshotlearning/xplainmd-a-praph-postered-guide-t-smarter-healthcare-fd5fe22504de

github: https://github.com/amulya-prasad/xplainmd

Vos commentaires sont très appréciés!

PS: C’est la première fois que je travaille avec la théorie des graphiques et mes connaissances et mon expérience sont très limitées. Mais j’ai hâte d’apprendre à l’avenir et j’ai beaucoup à optimiser dans ce projet. Mais grâce à ce projet, je voulais démontrer la beauté des graphiques et comment il peut être utilisé pour redéfinir les soins de santé 🙂