Характеристики

Контекст: 512 токенов
Параметры: 136 млн
Лицензия: MIT
Архитектура: bert · dense
Опубликована: 20 янв 2023

Ссылки

Hugging Face

Bio_ClinicalBERT-finetuned-medicalcondition

sid321axn

Классификация текстаТекст → label3 профессии

Дообученная Bio_ClinicalBERT для классификации медицинского текста по состояниям здоровья.

31скачиваний за 30 дней15лайковвеса обновлены20 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

sid321axn/Bio_ClinicalBERT-finetuned-medicalcondition — модель классификации текста на основе BERT, дообученная автором репозитория на базе emilyalsentzer/Bio_ClinicalBERT для распознавания медицинских состояний по тексту. Модель содержит 135,5 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате PyTorch.

В карточке приведены результаты оценки: F1 Score 0,8254 и loss 0,7201. Модель предназначена для классификации медицинских текстов, связанных с состояниями здоровья; конкретные классы, состав обучающих данных и подробные сценарии применения не описаны. Лицензия — MIT.

Сценарии применения

Классификация медицинских текстов по состоянию здоровья
Автоматическая разметка клинических записей
Выделение упоминаний медицинских состояний для последующего анализа

Ограничения

Карточка не описывает набор меток, обучающие данные и ограничения применимости; указанные результаты оценки не позволяют судить о качестве на иных данных. Контекст ограничен 512 токенами.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.4Отраслевые задачиКлиническая медицина и общественное здоровьеAI помогает поддерживать диагностику, лечение, наблюдение и организацию медицинской помощи.45 задач2 635моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Bio_ClinicalBERT-finetuned-medicalcondition

This model is a fine-tuned version of emilyalsentzer/Bio_ClinicalBERT on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.7201
F1 Score: 0.8254

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 2e-05
train_batch_size: 64
eval_batch_size: 64
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 10
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	F1 Score
0.8002	1.0	1772	0.6327	0.7759
0.5933	2.0	3544	0.5906	0.7934
0.5015	3.0	5316	0.5768	0.8033
0.4265	4.0	7088	0.5792	0.8099
0.3698	5.0	8860	0.6030	0.8109
0.3229	6.0	10632	0.6366	0.8167
0.2907	7.0	12404	0.6671	0.8198
0.2649	8.0	14176	0.6850	0.8237
0.2477	9.0	15948	0.7072	0.8247
0.2348	10.0	17720	0.7201	0.8254

Framework versions

Transformers 4.25.1
Pytorch 1.13.1+cu116
Datasets 2.8.0
Tokenizers 0.13.2

Как запустить

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

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForSequenceClassification
Ревизия весов: e0596ce