Модель на основе PubMedBERT для выделения названий химических веществ и заболеваний в биомедицинском тексте.
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.
В подключённых источниках результатов для этой модели пока нет.
Описание составлено по карточке модели и метаданным Hugging Face
HFpf/pubmedbert-bc5cdr-ner — модель распознавания именованных сущностей в биомедицинских текстах, созданная дообучением microsoft/BiomedNLP-PubMedBERT-base-uncased-abstract на наборе BC5CDR. Она размечает упоминания химических веществ и заболеваний, например в клинических записях и научных текстах. Модель основана на BERT, содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метки для токенов. В карточке указан английский язык и лицензия не приведена.
Модель выделяет только два типа сущностей — химические вещества и заболевания; контекст ограничен 512 токенами.
Разделы каталога профессий, в задачах которых используется эта модель
README от автора на Hugging Face, как он его опубликовал
language:
Fine-tuned microsoft/BiomedNLP-PubMedBERT-base-uncased-abstract on the BC5CDR dataset.
from transformers import pipeline
pipe = pipeline("token-classification", model="HFpf/pubmedbert-bc5cdr-ner")
result = pipe("The patient was treated with metformin for type 2 diabetes.")
print(result)
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · token-classification
Подбираем GPU…