/ Модель

Характеристики

Контекст
514 токенов
Параметры
152 млн
Лицензия
AGPL 3.0
Архитектура
roberta · dense
Базовая модель
roberta-base
Библиотека
meddeid
Опубликована
27 авг 2026

meddeid-english-synth

Разметка токеновТекст → label3 профессии

Модель MedDeID на базе RoBERTa выявляет и классифицирует персональные идентификаторы в англоязычных клинических текстах для локальной деидентификации.

61скачиваний за 30 дней0лайковвеса обновлены15 сен 2026

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

meddeid-english-synth — англоязычная модель для выявления персональных идентификаторов в клинических текстах, разработанная для проекта MedDeID. Она предназначена для локального обнаружения сущностей и деидентификации медицинских записей с профилями en-GB и en-US; модель предсказывает символьные смещения фрагментов и относит их к 14 типам, включая имена, адреса, даты, контактные данные, идентификаторы и организации. Архитектура основана на FacebookAI/roberta-base с отдельными головами BIO-разметки и классификации сущностей; размер — 151,8 млн параметров, контекст — 514 токенов. Длинный текст обрабатывается перекрывающимися окнами по 512 токенов с перекрытием 64 токена.

Модель дообучена на синтетических англоязычных клинических данных; README сообщает высокие результаты на синтетических тестах, но они не предсказывают качество на реальных записях. Модель может пропускать идентификаторы или удалять клинически значимый текст, поэтому перед применением нужна проверка на данных и условиях конкретной организации. Текст сам по себе анонимным не становится, а обработку чувствительных данных следует выполнять локально в контролируемой среде. Лицензия — AGPL-3.0-only с исключением MedDeID Private Fine-Tuning Exception, версия 1.0.

Сценарии применения

  • поиск имён пациентов и медицинских работников в клинических записях
  • обнаружение адресов, дат и контактных данных в медицинских текстах
  • выявление идентификаторов пациентов и сопровождающих лиц
  • разметка фрагментов клинических документов перед ручной проверкой деидентификации

Ограничения

Обучение и опубликованная оценка основаны на синтетических данных, поэтому показатели не характеризуют точность на реальных клинических записях. Модель может пропускать идентификаторы или удалять клинически значимый текст; требуется проверка для конкретной организации и выбранного профиля локали.

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

meddeid-english-synth

meddeid-english-synth is a clinical-text de-identification model for explicit en-GB and en-US runtime profiles. It predicts character-offset PII spans and is packaged with its tokenizer, configuration, labels, and MedDeID bundle contract. No real patient notes were used for training.

The MedDeID documentation is the central reference for installation, local deployment, annotation workflows, validation, and security guidance.

Intended use

The model is a research and local-deployment starting point for detecting identifying information in English clinical text. It does not make text anonymous by itself, cannot guarantee that every identifier is removed, and requires validation for the target institution and use case. Sensitive text should be processed inside the user's governance boundary, not in a public demonstration service.

Use with MedDeID

pip install meddeid

Select the relevant locale explicitly:

from meddeid import Deidentifier

engine = Deidentifier.from_pretrained(
    "stighellemans/meddeid-english-synth",
    language_profile="en-GB",  # or en-US
    device="cpu",
)
result = engine("Patient Alex Example attended on 27 August 2026.")
print(result.spans)
print(result.deid_text)

For an air-gapped installation, pre-stage the immutable repository revision:

hf download stighellemans/meddeid-english-synth \
  --revision YOUR_PINNED_COMMIT \
  --local-dir ./meddeid-english-synth

Architecture and training

The model uses FacebookAI/roberta-base pinned at revision e2da8e2f811d1448a5b465c236feacd80ffbac7b, with separate BIO and 14-way entity classification heads. It processes overlapping 512-token windows with a 64-token overlap.

Epoch selection used a held-out partition of the synthetic development corpus. The deliverable model was reinitialised from the pinned base encoder and refit for four epochs on all 6,700 development documents. The fixed 300-document benchmark was evaluated once after selection and refitting.

Benchmark results

On the human-validated English synthetic benchmark, the model-native typed entity evaluation produced precision 99.19%, recall 99.48%, and F1 99.33% (1,717 gold spans). The strict exact-boundary-and-label slice produced precision 99.01%, recall 99.30%, and F1 99.16%. Exact-slice F1 was 99.07% for en-GB and 99.24% for en-US.

Internal synthetic benchmark comparison

The comparison on the released 300-note English synthetic benchmark is shown below. Recall is calculated over the identifying annotation characters. The metadata-enabled condition applies the same optional patient/caregiver-name recovery step to every system. Values in parentheses are document-clustered 95% bootstrap confidence intervals. Higher recall and lower non-PII redaction are better.

Model or systemRecall, no metadata (%)Recall, patient/caregiver metadata (%)Non-PII redaction with metadata (%)
meddeid-english-synth99.96 (99.89–100.00)99.96 (99.89–100.00)0.009 (0.002–0.017)
GLiNER Multilingual PII90.27 (88.99–91.42)90.59 (89.33–91.75)1.831 (1.663–2.001)
OBI RoBERTa i2b286.64 (85.59–87.70)86.73 (85.68–87.78)0.194 (0.154–0.237)
OpenMed SuperClinical 434M75.10 (73.32–76.81)75.12 (73.34–76.83)0.480 (0.400–0.563)
UCSF Philter70.83 (69.45–72.20)70.94 (69.56–72.30)0.986 (0.899–1.076)
OpenMed Multilingual Privacy Filter64.26 (62.04–66.45)69.45 (67.41–71.48)0.347 (0.292–0.405)
OpenAI Privacy Filter64.38 (61.62–67.17)68.45 (65.89–71.01)0.051 (0.029–0.076)

These are synthetic-benchmark point estimates. They are not estimates of performance on real clinical notes or another institution.

External portability benchmarks (manuscript Table 3)

The manuscript also evaluates the same systems on the independent Technetium-I and ASQ-PHI synthetic datasets. Values are percentages. Recall is label-agnostic annotation-character recall; higher recall and lower non-PII redaction are better.

Model or systemTechnetium-I recall (%)Technetium-I non-PII redaction (%)ASQ-PHI recall (%)ASQ-PHI non-PII redaction (%)
meddeid-english-synth99.7301.60698.906.21
GLiNER Multilingual PII97.7733.61696.3211.52
OBI RoBERTa i2b291.5950.86895.452.01
OpenAI Privacy Filter96.3280.87063.481.19
OpenMed Multilingual Privacy Filter92.0321.08675.364.39
OpenMed SuperClinical 434M94.8281.72361.674.85
UCSF Philter88.2950.70070.891.80

These external results assess portability to other synthetic corpora; they are not estimates of performance on real clinical notes.

Predicted labels

The model predicts Address_Location:Caregiver, Address_Location:Other, Address_Location:Patient, Age_Birthdate, Contactdetails, Date, ID:Caregiver, ID:Patient, Name:Caregiver, Name:Other, Name:Patient, Organization:Healthcare, Organization:Other, and Profession.

Limitations

  • Training and public evaluation data are synthetic.
  • Coverage of specialties, institutions, dialects, styles, and identifier formats is incomplete.
  • Locale selection does not replace institution-specific validation.
  • The model can miss identifiers and remove clinically meaningful text.
  • Threshold, decoder, software, and post-processing changes can change results.

Reproducibility and files

  • model.safetensors: weights;
  • bundle.json: labels, windowing, base revision, and locale profiles;
  • config.json and tokenizer files: self-contained encoder assets;
  • train_metrics.json and eval.json: selection/refit and benchmark metrics;
  • MODEL_PROVENANCE.json and CHECKSUMS.sha256: provenance and integrity.

Machine-specific absolute path prefixes in the run metadata are replaced with the portable ${MEDDEID_SUITE} marker. Numeric results and configuration values are unchanged. Reproducible use should pin the immutable Hub commit.

Project, citation, and licence

Developed by Stig Hellemans, Tom Stroobants, Elyne Scheurwegs, Pieter Meysman, Philippe Jorens, and Kris Laukens at the University of Antwerp and Antwerp University Hospital (UZA), with support from Research Foundation Flanders (FWO), grant 1SA3226N.

We thank the participating general practice and Co-Medic for enabling the primary-care validation reported in the accompanying MedDeID study.

Model

@software{hellemans_2026_meddeid_english_synth,
  author    = {Hellemans, Stig and Stroobants, Tom and Scheurwegs, Elyne and Meysman, Pieter and Jorens, Philippe and Laukens, Kris},
  title     = {meddeid-english-synth},
  year      = {2026},
  publisher = {Hugging Face},
  url       = {https://huggingface.co/stighellemans/meddeid-english-synth}
}

Benchmark dataset

Hellemans, S., Stroobants, T., Scheurwegs, E., Meysman, P., Jorens, P., and Laukens, K. (2026). MedDeID English synthetic clinical corpus, benchmark and annotation guideline (v3) [Dataset]. Zenodo. https://doi.org/10.5281/zenodo.22689857

MedDeID paper

Hellemans, S., Stroobants, T., Scheurwegs, E., Meysman, P., Jorens, P. G., and Laukens, K. (2026). MedDeID enables locally governed clinical-text de-identification from real or synthetic training data. arXiv:2609.10049.

The model bundle is licensed under AGPL-3.0-only with the MedDeID Private Fine-Tuning Exception, version 1.0. The Exception expressly applies to these model weights and bundled software. It permits private training data and resulting private fine-tuned weights to remain confidential; MedDeID code modifications remain subject to AGPL-3.0-only. The upstream RoBERTa base model remains subject to its own terms and attribution requirements.

Как запустить

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

GPU в ailist

Универсальный рантайм · meddeid · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
MedDeIDDualHeadTokenClassifier
Ревизия весов
633af0c

0 моделей