BERT-модель размечает прямые идентификаторы в синтетических амбулаторных записях для прототипирования их удаления и деидентификации.
58скачиваний за 30 дней0лайковвеса обновлены14 сен 2026
Бенчмарки
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
Публичные оценки
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.
Что умеет модель
Описание составлено по карточке модели и метаданным Hugging Face
ClinicNote DeID Baseline — модель классификации токенов на базе BERT, выпущенная SOTAagi2030 для выявления прямых идентификаторов в синтетических амбулаторных медицинских записях и поддержки их удаления. Она предназначена для исследовательского использования и прототипирования конвейеров деидентификации; кандидат оценивался по F1 на отложенной синтетической выборке клинических записей.
Модель принимает текст и размечает токены, связанные с идентификаторами, чтобы их можно было удалить или отредактировать в последующей обработке. Карточка указывает английский язык. Весовые файлы опубликованы в формате safetensors для библиотеки Transformers. Лицензия — Apache-2.0.
Результаты следует проверять вручную. В README рекомендовано использовать модель только с синтетическим или надлежащим образом регулируемым текстом и проверять все выходы перед дальнейшим применением; оценка описана только для синтетической выборки.
Сценарии применения
поиск прямых идентификаторов в синтетических медицинских записях
разметка токенов для удаления персональных данных из клинических заметок
Модель оценивалась на отложенной синтетической выборке, поэтому её качество на реальных клинических записях не установлено. Используйте только синтетический или надлежащим образом регулируемый текст и проверяйте все результаты вручную.
Карточка модели
README от автора на Hugging Face, как он его опубликовал
This release packages a token-classification baseline for removing direct identifiers from synthetic outpatient notes.
Intended use
Use this checkpoint only for research and pipeline prototyping with synthetic or appropriately governed text. Review all outputs before any downstream use.
Validation snapshot
The selected candidate was evaluated on the held-out synthetic clinic-note validation split. The selection criterion was validation F1.
Files
model.safetensors: model weights
config.json: model configuration
tokenizer.json: tokenizer definition
assets/redaction-example.txt: a redaction example
Как запустить
На своей GPU в ailist. Цена — по текущим предложениям провайдеров