Модель на основе BERT извлекает из медицинского текста названия лекарств, дозировки, длительность и частоту приёма, а также причины назначения.
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
samrawal/bert-large-uncased_med-ner — модель распознавания именованных сущностей на основе BERT, разработанная для извлечения сведений о лекарствах из текста. Она размечает названия препаратов, дозировку, длительность приёма, частоту и причину назначения. Модель обучена на наборе i2b2/n2c2 для задачи Medication 2009 и предназначена для анализа медицинских записей и клинических текстов.
Модель содержит 433,9 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метки для отдельных токенов. В репозитории представлены веса PyTorch и Flax. Карточка не указывает лицензию, поэтому условия использования по имеющимся данным определить нельзя; для обучения использовался датасет, доступ к которому запрашивается отдельно.
Модель обучена для ограниченной задачи Medication 2009 на данных i2b2/n2c2, поэтому её качество на других типах медицинских текстов может отличаться. Контекст ограничен 512 токенами.
Разделы каталога профессий, в задачах которых используется эта модель
README от автора на Hugging Face, как он его опубликовал
A Named Entity Recognition model for medication entities (medication name, dosage, duration, frequency, reason).
The model has been trained on the i2b2 (now n2c2) dataset for the 2009 - Medication task. Please visit the n2c2 site to request access to the dataset.
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · token-classification
Подбираем GPU…