dt-ensemble
Skill0 starsChanged 30 days agoMITView on GitHub
IVF Digital Twin ensemble layer glossary (L1-L7), verified model definitions (MC pipeline/KAT/GAT/CSDI/Digital Twin/TabPFN, plus our independent DNN cross-checker), cluster labels, calibration metrics, and probability/uncertainty language bands. Preload into narration agents that explain DT/TabPFN outputs.
In this repository8 other files it gives its agents.
- CLAUDE.mdCLAUDE.md
- column-schemaSkill
- lot-forensicsSkill
- miri-forensicsSkill
- ozemaSkill
- reformat-1c-reportSkill
- run-analysisSkill
- vienna-kpiSkill
The file
Files
IVF Digital Twin — ансамбль и язык интерпретации
Наши 7 основных моделей (имена сверены с первоисточником —
IVF Digital Twin Pro/IVF Digital Twin's собственные befe.py/architecture.md/
GAT_method_description.md, а не с названиями старого ноутбука, которые местами
были неточны — см. ниже):
| Модель | Колонка | Слой | Что это |
| MC pipeline | p_per_transfer (+p_overall_cycle, p_cancel_risk) | L1+L2 | механистический приор: Monte Carlo симуляция воронки ОКК→MII→2PN→Бласт→Хор.→Эуплоид, N=5000 |
| KAT | p_kat_raw | L3 | нейросетевой ансамбль KAN + FT-Transformer |
| GAT | p_gnn_raw (смешанный с KAT вариант — p_gnn_ens) | L6 | graph attention transformer (граф пациентов); p_gnn_raw — «сырой» GAT-скор, p_gnn_ens — уже смешанный с KAT |
| CSDI | p_csdi | L5 | диффузионная верификационная модель (TabDDPM-стиль) — биологический якорь, сверяется с L1/MC |
| Digital Twin | DIGITAL TWIN | L7 BEFE | Bayesian Evidence Fusion Engine — итоговый ансамбль L1+L3+L5+L6+L4(кластер) |
| TabPFN | PRAI | внешний | p_tabpfn переименован в PRAI на границе join (reconcile.py) — это одна и та же модель, PRAI не отдельный оценщик |
| DNN | DNN | независимая | НАША собственная независимая кросс-проверка (external/dnn/Evo_calculations.py, TensorFlow) — не часть ансамбля Digital Twin, отдельный проект/scaler |
Не путать с «главными» моделями (существуют, но НЕ отдельные оценщики, не показывать как самостоятельную модель):
bayes_mean/bayes_ci_low/bayes_ci_high/bayes_prior_*— Bayesian-обновлённый posterior НАД тем же L1 Monte Carlo прогоном (res["posterior"]вivf_core.py), не самостоятельная архитектура и не часть KAT.p_nvsa— внутренняя KPI-якорная коррекция KAT (clip(p_KPI/p_NN, 1/1.5, 1.5)), подкомпонент L3, а не отдельная модель (и не «KAN» саму по себе — старое название этого поля в проекте ошибочно).dominant_cluster/cluster_c*_prob— L4, контекст кластера, не вероятность исхода.
Знаменатели стадии «хорошие бластоцисты» — две разные базы
В проекте сосуществуют ДВЕ «частоты формирования хороших бластоцист» с разными знаменателями. Это не ошибка, но прямое сравнение между ними или с порогами Vienna — ошибка интерпретации, дающая заведомо завышенное ожидание.
| Величина | Формула | Источник |
CSDI good_rate | good_Bl / Bl | src/embryo_csdi_v3.py (доля от всех бластоцист) |
Наша воронка Bl→Good (реал и прогноз) | Good Bl / Bl | analytics.py: conversion_rates |
KAT-фичи / calibrate_for_clinic.good_blast_rate | blasts_good / 2PN | совпадает с TGBDR |
| Vienna TGBDR | Good Bl / 2pN | kpi.py — пороги 30%/40% |
CSDI blast_rate = Bl / 2pN совпадает с Vienna BlR и с шагом воронки 2PN→Bl —
там расхождения нет, оно возникает ровно на одной стадии.
Мост между базами: TGBDR = (Bl→Good) × BlR. Лаборатория с Bl→Good 70% и
BlR 63% имеет TGBDR ≈ 44% — это одно и то же качество в двух базах, а не два разных
результата. Никогда не читать Bl→Good или CSDI good_rate против порогов TGBDR
(30%/40%) и не называть их «частотой хороших бластоцист» без указания знаменателя.
Кластеры: dominant_cluster C0 Standard/C1 Poor/C2 High + cluster_c*_prob.
Метрики калибровки: Brier (↓), AUC (↑), Acc@0.5 (↑); ±30% коридор для воронки эмбриологии.
Язык вероятностей (нарратив): P<25% ниже среднего · 25–40% умеренный · 40–55% хороший ·
55% сильный. Ширина CI: <15пп уверенно · 15–30пп умеренно · >30пп ориентировочно. Разброс ансамбля: <15пп единодушен · 15–30пп умеренно · >30пп значимое расхождение. Confidence grade A/B/C = комбинация CI + согласованности ансамбля.
Все категории вычисляет Python (consult.build_flags) — агент их ОБЪЯСНЯЕТ, не пересчитывает. Числа — только из пакетов. Не ставить диагнозов, не назначать протоколов.
Does it work?
Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.
No reviews yet
People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.
- It worked
- Partly
- It didn't
Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.
Your trail
Files you open will collect here, so you can find them again.
Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.
Now do this for your own.
Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.

