agentleFS
embryossaembryossa/embryo-lab-data/.claude/skills/dt-ensemble/SKILL.md

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.

The file

Files
SKILL.md

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):

МодельКолонкаСлойЧто это
MC pipelinep_per_transfer (+p_overall_cycle, p_cancel_risk)L1+L2механистический приор: Monte Carlo симуляция воронки ОКК→MII→2PN→Бласт→Хор.→Эуплоид, N=5000
KATp_kat_rawL3нейросетевой ансамбль KAN + FT-Transformer
GATp_gnn_raw (смешанный с KAT вариант — p_gnn_ens)L6graph attention transformer (граф пациентов); p_gnn_raw — «сырой» GAT-скор, p_gnn_ens — уже смешанный с KAT
CSDIp_csdiL5диффузионная верификационная модель (TabDDPM-стиль) — биологический якорь, сверяется с L1/MC
Digital TwinDIGITAL TWINL7 BEFEBayesian Evidence Fusion Engine — итоговый ансамбль L1+L3+L5+L6+L4(кластер)
TabPFNPRAIвнешнийp_tabpfn переименован в PRAI на границе join (reconcile.py) — это одна и та же модель, PRAI не отдельный оценщик
DNNDNNнезависимаяНАША 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"] в ivf_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.

ВеличинаФормулаИсточник
CSDI good_rategood_Bl / Blsrc/embryo_csdi_v3.py (доля от всех бластоцист)
Наша воронка Bl→Good (реал и прогноз)Good Bl / Blanalytics.py: conversion_rates
KAT-фичи / calibrate_for_clinic.good_blast_rateblasts_good / 2PNсовпадает с TGBDR
Vienna TGBDRGood Bl / 2pNkpi.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.

Download now (ZIP)

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
What did you use it for? e.g. Reviewing pull requests in a Rails app

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.