TCAP-PyTorch

这是一个基于 PyTorch 和 scikit-survival (sksurv) 重构的 TCAP (Transfer-learning based Cox Proportional Hazards Network) 实现。

📌 项目背景与改进

本项目是对原论文算法 TCAP (fsct135/TCAP) 的现代化重构。

主要改进点：

• 框架迁移：从原生的 NumPy/自定义/TensorFlow 实现迁移到了 PyTorch，支持 GPU 加速和自动求导。
• 生存分析集成：使用 scikit-survival 处理生存数据模型和评估指标（如 C-Index）。
• 环境管理：使用 uv 进行包管理，确保环境一键配置。
• 模块化设计：重构了数据加载和网络结构，代码更易于扩展和阅读。

🛠 快速开始

1. 环境准备

本项目推荐使用 uv 进行管理。

# 安装依赖并创建虚拟环境
uv sync

2. 运行项目

# 使用 uv 运行主程序
uv run main.py

📂 文件结构说明

• main.py: 具体的使用示例。
• dsl.py: 无迁移学习功能的模型代码。
• utils.py: 数据预处理和辅助函数。
• incremental.py: 支持迁移学习相关的代码。
• pyproject.toml: 项目依赖定义。

使用说明

• main.py 中包含了一个示例流程，展示了如何加载数据、训练模型和评估性能。
• 你可以根据需要修改数据加载部分，适配自己的生存分析数据集。
• 此外如果不需要迁移学习功能，可以直接使用 dsl.py 中的模型实现，大致流程和 main.py 类似。

📜 致谢

本项目基于以下研究工作进行开发：

• 原作者仓库: fsct135/TCAP
• 原始描述: A transfer-learning based Cox proportional hazards network (TCAP).