本文将以重症监护医学领域的应用为例，讲述如何使用DarwinML来辅助医疗研究者。功能包括以页面拖拽方式自动抽取数据特征，并根据实际研究需要，调整入模特征、数据清洗方案、模型拟合方向等，使用平台可反复生成并比较模型，最终完成研究目标。

DarwinML Studio自动建模平台

从数据导入和清洗为起点，DarwinML可自动建模并给出模型多方位评估结果，研究者只需要重点关注模型评估结果。研究者根据研究目标，自行返回去调整最初的数据清洗方案和模型设置，多次建模，选择符合研究需要的最终模型。

DarwinML自动建模平台全流程如下：

center2755901)数据清洗：均衡样本分布，填补缺失值，消除特征异常值，文本特征数值化等。

2)模型设计：根据数据自身特性，以及研究者的参数设定，自动构建搜索空间内的最优网络结构。网络结构会在平台中显示如下。

3)

超参调优：对最优网络结构，结合数据特性，给出相匹配的最优超参组合，比如下图所示的“超参数”列中XGBClassifiler的learningRate和nEstimators等。

4)模型训练：使用最优网络及超参组合，实际训练模型。

5)模型评估：给出查全率，查准率，AUC等基础指标值，并且从模型角度，给出重要列分析结果，从样本角度，给出单个样本的重要特征分析。

同时可以根据需要，我们也支持只使用部分功能。比如可以导入一组新患者的检查数据，使用上次训练好的模型，只做模型评估，来对这一组新患者的患病几率做预判。

案例：重症感染综合征(又名败血症，Sepsis)预后研究

根据其较早期的检查指标，我们使用DarwinML为重症监护室(ICU)患者预警感染重症感染综合征(又名败血症，Sepsis)的可能性，以及是哪些指标以何种方式导向这一结果。从而让医疗研究者可以尽早地根据患者的各项检查指标来判断Sepsis病症的预后。医疗研究者通过模型预警提前介入，用药治疗挽救生命。

步骤一：数据抽取

根据研究需要，我们的特征抽取目标是，从620万条检查记录中，涉及约20,000名患者的70项检查，抽取出进入ICU之后符合一定条件的记录，生成特征值用于模型。

DarwinML数据抽取平台在这一过程中，可以帮助研究者完成三件事情：

1. 数值化指标值：由于医疗设备各有差异，同一项指标的结果记录不一致。比如：白蛋白(Albumin)指标，在部分检查结果中记录为数值0.5, 1.9, 2.9等，但有些检查结果使用分段记录“LESS THAN 0.3”，“LESS THAN 1.0”等，需要统一化处理为数值，用于模型训练;

2. 截取数据：研究者可以通过色设置参数，来对关注的部分进行数据截取。比如在本次案例中，研究者希望探究是否有可能在患者进入ICU72小时内给出感染Sepsis的预判，则研究者设定如下参数值来实现。

3. 生成模型特征：由于患者的各项检查时间不连续，检查间隔不稳定，导致70项指标的缺失值平均高达86.88%，具有高稀疏性特点。平台可以对620万条检查记录进行特征生成，转换为被模型直接使用的20,000条患者记录，也就是每位患者一条特征数据。

上述步骤将在DarwinML Data Fusion，以数据流形式在1小时内处理结束。数据流的运行进展可以通过页面日志实时查看，也可以在数据流实时显示。

步骤二：数据清洗

DarwinML自动建模平台会在数据导入后给出当前数据每一列的具体清洗建议。比如：是否需要填充缺失值，填充值取多少合适;这一列的数据是否有严重偏移，是否需要消除异常值;这一列是否是字符串列，模型无法直接使用，如何做数值化处理，是映射为0，1，2...，还是做ICA编码提取语义等。当然，研究者可以选择信任推荐的清洗方案，也可以自定义清洗方案。

下图给出了darwinML对不平衡数据分布自动做均衡化之后的结果，原本7:1的严重偏移分布(左图)， 转换为可以更好被模型拟合的2:1分布比例(右图)。

“Hours0-72_Alkaline phosphate_min”数据由于含有异常值，数据分布呈现严重正偏态，如下左图，DarwinML自动推荐等距分箱，清洗后，如下右图，消除了偏态分布。

在数据清洗完成后，DarwinML会给出最终的数据宽表(如下图)供反查。如果有不符合预期的处理，可以选择“再次清洗”实现。

步骤三：模型设计、超参调优、模型训练

DarwinML自动完成。

步骤四：模型评估

在DarwinML完成自动建模后，研究者可以查看模型评估结果来进行分析。比如：当我们完成了一个模型，看到ROC曲线如下，AUC约等于0.9249，模型整体准确率较高。

但当我们进一步查看模型重要列分析，发现模型给出重要性较高的指标是Diastolic blood pressure(舒张压)等体征指标，而研究者更为关注的是各项病理检查指标。

为了排除影响，我们选择再次清洗数据，把体征指标从数据中剔除掉，再次自动建模。

剔除体征指标后，得到一个新的模型，AUC约等于0.9094，略有降低，但模型的实际功能更符合研究需要。

接下来，我们可以查看评分卡结果，并对来患病几率选择一个门限，比如0.3，这时查准率大约为0.94。在实际使用中，当模型给出的患病几率超过门限0.3，我们就可以初步判断这位患者易感，需要重点关注。

结语

本文主要以重症感染综合征(又名败血症，Sepsis)的一次预后研究为例，对DarwinML自动建模平台展开介绍。DarwinML同时支持时间序列、图像分类、图像目标识别、OCR等任务，兼容研究者自定义的模型应用。