/ Модель

Характеристики

Контекст
512 токенов
Параметры
137 млн
Лицензия
MIT
Архитектура
bert · dense
Опубликована
15 янв 2023

pubmedbert_bc5cdr

Разметка токеновТекст → label3 профессии

Дообученная на BC5CDR модель BERT извлекает из англоязычных биомедицинских текстов упоминания химических веществ и заболеваний.

717скачиваний за 30 дней0лайковвеса обновлены24 янв 2023

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

psgrghvuo/pubmedbert_bc5cdr — дообученная модель на основе microsoft/BiomedNLP-PubMedBERT-base-uncased-abstract-fulltext для распознавания именованных сущностей в биомедицинских текстах из области химических веществ и заболеваний. Она использует архитектуру BERT с классификацией токенов и предназначена, в частности, для извлечения упоминаний химических веществ и заболеваний из научных публикаций. Модель содержит 136,7 млн параметров, принимает текстовые фрагменты длиной до 512 токенов и работает с английским языком.

На оценочной выборке BC5CDR модель показала точность 0,8882, полноту 0,9258 и F1 0,9066. Веса представлены в формате PyTorch. Лицензия MIT разрешает использование и модификацию в соответствии с её условиями.

Сценарии применения

  • поиск названий заболеваний в научных статьях
  • извлечение упоминаний химических веществ из биомедицинских публикаций
  • разметка сущностей в аннотациях PubMed
  • подготовка биомедицинских текстов для последующего анализа

Ограничения

Модель специализируется на сущностях химических веществ и заболеваний в биомедицинских текстах и может хуже работать на других типах текста или сущностей. Контекст ограничен 512 токенами.

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

This model is a fine-tuned version of microsoft/BiomedNLP-PubMedBERT-base-uncased-abstract-fulltext on BC5CDR dataset. It achieves the following results on the evaluation set:

  • Loss: 0.0876
  • Precision: 0.8882
  • Recall: 0.9258
  • F1: 0.9066

Examples from BC5CDR (Test Set)

All the entities in following examples are correctly predicted by the model:

  • The authors report on six cases of famotidine - associated delirium in hospitalized patients who cleared completely upon removal of famotidine . The pharmacokinetics of famotidine are reviewed , with no change in its metabolism in the elderly population seen . The implications of using famotidine in elderly persons are discussed.
  • Scleroderma renal crisis ( SRC ) is a rare complication of systemic sclerosis ( SSc ) but can be severe enough to require temporary or permanent renal replacement therapy . Moderate to high dose corticosteroid use is recognized as a major risk factor for SRC.

Model fails to extract all the entities from the following examples (correct Chemical entities are highlighted with lime colour and Disease entities with yellow colour):

  • Famotidine is a histamine H2 - receptor antagonist used in inpatient settings for prevention of stress ulcers and is showing increasing popularity because of its low cost.
  • We used high - resolution MRI and surface - based computational image analyses to map regional abnormalities in the cortex , hippocampus , white matter , and ventricles in 22 human subjects who used MA and 21 age - matched , healthy controls . Cortical maps revealed severe gray - matter deficits in the cingulate , limbic , and paralimbic cortices of MA abusers had 7.8% smaller hippocampal volumes than control subjects and significant white - matter hypertrophy.

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 5e-05
  • train_batch_size: 16
  • eval_batch_size: 16
  • seed: 42
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 42
  • num_epochs: 6

Framework versions

  • Transformers 4.25.1
  • Pytorch 1.13.1+cu117
  • Tokenizers 0.13.2

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
5ad0a6a

0 моделей