A Named Entity Recognition model for clinical entities (problem, treatment, test)
The model has been trained on the i2b2 (now n2c2) dataset for the 2010 - Relations task. Please visit the n2c2 site to request access to the dataset.
Характеристики
- Контекст
- 512 токенов
- Параметры
- 137 млн
- Архитектура
- bert · dense
- Опубликована
- 2 мар 2022
Ссылки
bert-base-uncased_clinical-ner
BERT-модель для извлечения упоминаний проблем со здоровьем, методов лечения и медицинских тестов из клинического текста.
1 326скачиваний за 30 дней35лайковвеса обновлены11 ноя 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 samrawal/bert-base-uncased_clinical-ner — модель распознавания именованных сущностей в клинических текстах, основанная на BERT и разработанная автором репозитория Sam Rawal. Она размечает упоминания проблем со здоровьем, методов лечения и медицинских тестов. Модель обучена на наборе i2b2 для задачи Relations 2010; для доступа к набору данных требуется запрос на сайте n2c2.
Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и выполняет поклассовую классификацию токенов. В метаданных указаны версии весов для PyTorch, TensorFlow и Flax. Карточка не сообщает лицензию, поэтому условия использования определить нельзя.
Сценарии применения
- извлечение проблем со здоровьем из клинических записей
- поиск упоминаний лечения в медицинских документах
- обнаружение медицинских тестов в клинических текстах
Ограничения
Модель обучена на i2b2 для конкретной клинической задачи и может хуже работать на других типах медицинских текстов или схемах разметки. Лицензия и условия коммерческого использования в доступной карточке не описаны.
Для каких профессий подходит3
Разделы каталога профессий, в задачах которых используется эта модель
IV.4Отраслевые задачиКлиническая медицина и общественное здоровьеAI помогает поддерживать диагностику, лечение, наблюдение и организацию медицинской помощи.45 задач2 635моделейII.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделейIV.3Отраслевые задачиСтрахование и актуарные задачиAI помогает оценивать риски, обрабатывать убытки и управлять страховым портфелем.30 задач563модели
Карточка модели
README от автора на Hugging Face, как он его опубликовал
Как запустить
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · token-classification
Подбираем GPU…
- Класс архитектуры
- BertForTokenClassification
- Ревизия весов
- 5db48a4