/ Модель

Характеристики

Контекст
512 токенов
Параметры
136 млн
Лицензия
MIT
Архитектура
bert · dense
Опубликована
2 мар 2022

deid_bert_i2b2

Разметка токеновТекст → label3 профессии

Дообученная ClinicalBERT для выявления и разметки персональной информации в англоязычных медицинских заметках перед деидентификацией.

672скачиваний за 30 дней24лайкавеса обновлены22 авг 2022

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

Модель obi/deid_bert_i2b2 разработана на основе ClinicalBERT и дообучена для деидентификации медицинских записей. Это модель разметки последовательностей на архитектуре BERT с 135,5 млн параметров: она классифицирует токены как не содержащие защищённую информацию или как один из 11 типов PHI/PII, а предсказания объединяются в фрагменты с помощью разметки BILOU. Модель обучалась на наборе I2B2 2014 и рассчитана на английские медицинские заметки.

Её можно использовать для обнаружения персональных и медицинских идентификаторов в электронных медицинских записях и для подготовки текста к удалению или маскированию таких данных. Максимальная длина контекста — 512 токенов; для работы с длинными заметками README рекомендует разбивать текст на предложения, а затем объединять результаты на уровне заметки. Модель распространяется по лицензии MIT.

Качество распознавания зависит от формата и содержания заметок; перед использованием в реальных процессах деидентификации предсказания следует проверять. Модель выдаёт метки токенов и не выполняет удаление PHI самостоятельно без дополнительной обработки.

Сценарии применения

  • поиск имён и других PHI в медицинских заметках
  • разметка фрагментов с персональными данными в электронных медкартах
  • подготовка клинических текстов к маскированию идентификаторов
  • объединение токенных меток в фрагменты защищённой информации

Ограничения

Максимальный контекст составляет 512 токенов, поэтому длинные заметки требуется обрабатывать частями. Модель размечает PHI, но для удаления или маскирования данных нужна дополнительная обработка, а предсказания следует проверять.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Description

  • A ClinicalBERT [Alsentzer et al., 2019] model fine-tuned for de-identification of medical notes.
  • Sequence Labeling (token classification): The model was trained to predict protected health information (PHI/PII) entities (spans). A list of protected health information categories is given by HIPAA.
  • A token can either be classified as non-PHI or as one of the 11 PHI types. Token predictions are aggregated to spans by making use of BILOU tagging.
  • The PHI labels that were used for training and other details can be found here: Annotation Guidelines
  • More details on how to use this model, the format of data and other useful information is present in the GitHub repo: Robust DeID.

How to use

  • A demo on how the model works (using model predictions to de-identify a medical note) is on this space: Medical-Note-Deidentification.
  • Steps on how this model can be used to run a forward pass can be found here: Forward Pass
  • In brief, the steps are:
    • Sentencize (the model aggregates the sentences back to the note level) and tokenize the dataset.
    • Use the predict function of this model to gather the predictions (i.e., predictions for each token).
    • Additionally, the model predictions can be used to remove PHI from the original note/text.

Dataset

I2B2I2B2
TRAIN SET - 790 NOTESTEST SET - 514 NOTES
PHI LABELCOUNTPERCENTAGECOUNTPERCENTAGE
DATE750243.69498044.14
STAFF314918.34200417.76
HOSP14378.378757.76
AGE12337.187646.77
LOC12067.028567.59
PATIENT13167.668797.79
PHONE3171.852171.92
ID8815.136255.54
PATORG1240.72820.73
EMAIL40.0210.01
OTHERPHI20.0100
TOTAL1717110011283100

Training procedure

  • Steps on how this model was trained can be found here: Training. The "model_name_or_path" was set to: "emilyalsentzer/Bio_ClinicalBERT".

    • The dataset was sentencized with the en_core_sci_sm sentencizer from spacy.
    • The dataset was then tokenized with a custom tokenizer built on top of the en_core_sci_sm tokenizer from spacy.
    • For each sentence we added 32 tokens on the left (from previous sentences) and 32 tokens on the right (from the next sentences).
    • The added tokens are not used for learning - i.e, the loss is not computed on these tokens - they are used as additional context.
    • Each sequence contained a maximum of 128 tokens (including the 32 tokens added on). Longer sequences were split.
    • The sentencized and tokenized dataset with the token level labels based on the BILOU notation was used to train the model.
    • The model is fine-tuned from a pre-trained RoBERTa model.
  • Training details:

    • Input sequence length: 128
    • Batch size: 32
    • Optimizer: AdamW
    • Learning rate: 4e-5
    • Dropout: 0.1

Results

Questions?

Post a Github issue on the repo: Robust DeID.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
BertForTokenClassification
Ревизия весов
d2c629e

0 моделей