IV.3Страхование и актуарные задачи

unsloth/medgemma-1.5-4b-it-GGUF — это GGUF-версия мультимодальной instruction-tuned модели MedGemma 1.5 4B, разработанной Google на базе Gemma 3. Модель предназначена для медицинских приложений, связанных с пониманием текста и изображений, а также распространяется в формате Unsloth Dynamic 2.0 GGUF. Модель поддерживает анализ медицинских текстов и изображений, включая двумерные и трёхмерные данные CT и MRI, рентгенограммы грудной клетки, гистопатологические whole-slide изображения, дерматологические и офтальмологические изображения. Она также может сравнивать рентгенограммы во времени, локализовать анатомические особенности на снимках с помощью ограничивающих рамок, извлекать структурированные значения и единицы из лабораторных отчётов и интерпретировать текстовые данные EHR. В архитектуре используется предварительно обученный на обезличенных медицинских данных визуальный энкодер SigLIP и языковой компонент размером 4B. Сильными сторонами являются специализация на медицинской предметной области, поддержка широкого спектра модальностей и сценариев, улучшенное медицинское текстовое рассуждение и некоторое повышение качества стандартной интерпретации 2D-изображений по сравнению с MedGemma 1 4B. Модель не оценивалась и не оптимизировалась для многоходовых диалогов, может быть особенно чувствительна к формулировке запроса, а для конкретных задач рекомендуется дообучение. Языки и размер контекстного окна в предоставленных данных не указаны. Использование регулируется условиями Health AI Developer Foundations. Для доступа на Hugging Face требуется ознакомиться и согласиться с этими условиями.

Bone-Fracture-Detection — модель бинарной классификации рентгеновских снимков костей, разработанная prithivMLmods на основе SigLIP 2 Base Patch16-224 и дообученная на наборе Hemg/bone-fracture-detection. Она относит снимок к одному из двух классов: перелом или отсутствие перелома. Модель предназначена для поддержки анализа медицинских изображений, сортировки случаев и помощи при первичном просмотре рентгенограмм. В отчёте на 8 863 примерах указана точность 83,03%; полнота для класса «перелом» — 78,93%, а для класса «без перелома» — 87,22%. Модель принимает изображение и выдаёт оценки классов. Эти показатели описывают приведённую оценку на конкретном наборе данных и не подтверждают клиническую пригодность. Модель выпущена под лицензией Apache-2.0.

CXR LLaVA v2 — мультимодальная модель ECOFRI для работы с рентгеновскими снимками грудной клетки. Она предназначена для генерации радиологических заключений по снимкам. Версия 2.0 использует визуальный энкодер ViT-L/16 и языковую модель Llama 2 7B Chat; на вход подаются изображения в градациях серого с разрешением 512 × 512. В метаданных задача указана как извлечение признаков. Модель представлена в форматах PyTorch и Safetensors и распространяется по лицензии CC BY-NC 4.0. README не описывает языки генерации, длину контекста или ограничения точности, поэтому их нельзя уточнить по доступным данным.

HiT-MiniLM-L12-SnomedCT — компактный энкодер иерархий, разработанный Yuan He, Zhangdie Yuan, Jiaoyan Chen и Ian Horrocks. Модель дообучена на основе sentence-transformers/all-MiniLM-L12-v2 на иерархии понятий SNOMED-CT и предназначена для представления текстовых названий сущностей в виде эмбеддингов, которые кодируют отношения включения и иерархическую структуру. Модель использует архитектуру BERT, содержит 40 млн параметров и принимает текстовые сущности. Эмбеддинги в гиперболическом пространстве применяются для предсказания отношений subsumption — например, чтобы определить, является ли одно понятие более частным случаем другого. Контекст ограничен 512 токенами; карточка указывает английский язык. Модель подходит для задач, связанных с иерархией понятий SNOMED-CT, и для экспериментов по кодированию и проверке отношений включения. Она выпущена под лицензией Apache-2.0. Результаты относятся к обученной иерархии; карточка не подтверждает качество на других онтологиях или языках.

ModernCamemBERT-bio-v2-large — франкоязычная биомедицинская encoder-модель семейства ModernBERT, разработанная Рианом Тушаном и Эриком де ла Клержери из Sorbonne Université и Inria Paris. Она создана продолжением предобучения ModernCamemBERT-bio-large на клинических текстах и синтетических учебных материалах, сформированных с опорой на онтологии CIM-10, CCAM и ATC. В модели около 376,7 млн параметров, окно контекста — 8 192 токена; в репозитории используются веса Safetensors. Модель предназначена для представления французских биомедицинских документов и последующего применения к классификации длинных документов и задачам медицинского кодирования. В карточке приведён средний результат micro-F1 72,8 на документальном бенчмарке и лучшие среди сравнивавшихся вариантов показатели на задачах кодирования. Метаданные Hugging Face классифицируют её как fill-mask, то есть предсказание замаскированных токенов. Это продолженное предобучение ModernCamemBERT-bio-large без специализированной головы для конкретной задачи; для классификации или кодирования может понадобиться дополнительная настройка под задачу. Модель выпущена по лицензии MIT. Оценка в карточке относится к указанному французскому биомедицинскому бенчмарку и сама по себе не гарантирует качество на других данных или сценариях.

NitzanBar/umls-spanbert — модель классификации медицинского текста на основе SpanBERT, разработанная с использованием клинического метатезауруса UMLS. Согласно карточке, её обучили с нуля на данных MIMIC, применяя UMLS для маскирования слов, и сравнили с исходным вариантом BERT на задаче MedNLI: указана точность 86% против 83% у BERT. Модель предназначена для классификации клинических текстов и может применяться для проверки выводов по медицинским записям, подобных задаче MedNLI. Это плотная BERT-архитектура с классификационной головой, 432,3 млн параметров и контекстом до 512 токенов. Карточка не сообщает поддерживаемые естественные языки. Модель опубликована под лицензией Apache-2.0. Результат 86% относится к MedNLI; карточка не приводит протокол оценки, поэтому его нельзя напрямую переносить на другие медицинские задачи. Обучение на MIMIC также ограничивает основания для выводов о качестве на иных типах клинических данных.

Asclepius 13B-GGUF — текстовая медицинская языковая модель на архитектуре Llama с 13 млрд параметров. Исходную модель разработал Junu Kim, а TheBloke подготовил её варианты в формате GGUF. Модель обучалась с использованием набора starmpcc/Asclepius-Synthetic-Clinical-Notes и предназначена для работы с англоязычными клиническими текстами, в частности с выписками пациентов и инструкциями медицинских специалистов. Основной сценарий — формирование кратких и уместных ответов по фрагменту выписки или другого клинического документа. Модель работает в текстовом режиме; сведения о поддержке других модальностей, размере контекста и специализированных оценках в README не указаны. GGUF-версии доступны с различными уровнями квантования, включая 2-, 3-, 4-, 5-, 6- и 8-битные варианты, что позволяет запускать их с использованием CPU и GPU через llama.cpp и совместимые интерфейсы и библиотеки. К сильным сторонам относятся специализация на клинических текстах, компактные квантованные варианты и возможность локального запуска. Ограничения включают англоязычную направленность, возможную потерю качества при сильном квантовании и отсутствие в предоставленных данных подробных результатов оценки, гарантий клинической точности и требований к аппаратному обеспечению. Лицензия указана как other, но её конкретные условия README не раскрывает.

Модель разработана командой NLP4BIA Барселонского суперкомпьютерного центра (BSC) и дообучена на части набора CARMEN-I, посвящённой анонимизации. Это испаноязычная модель RoBERTa для классификации токенов в клинических и электронных медицинских записях; в метаданных указано 151,8 млн параметров и контекст до 514 токенов. Модель предназначена для выявления и разметки токенов в рамках задач анонимизации медицинских текстов. Перед подачей текста авторы рекомендуют предварительно разбивать его на слова, поскольку так модель обучалась; подача без такой токенизации может повлиять на качество. Модель опубликована под лицензией CC BY 4.0. Авторы не оценивали встроенные смещения и предупреждают о возможном наличии нежелательных искажений. При применении в системах ответственность за снижение связанных с использованием рисков и соблюдение применимых требований лежит на пользователе.

Clinical-Longformer — клинически адаптированная языковая модель Longformer, опубликованная автором yikuan8. Модель дополнительно предварительно обучена на клинических записях MIMIC-III и предназначена для работы с длинными медицинскими текстами. Это плотная трансформерная модель с архитектурой LongformerForMaskedLM, примерно 151,8 млн параметров и контекстом до 4 098 токенов; доступный формат — PyTorch. Основной режим работы — предсказание замаскированных токенов. В README также описаны результаты экспериментов на задачах распознавания медицинских сущностей, ответов на вопросы, вывода по тексту и классификации: модель превосходила ClinicalBERT как минимум на 2% на десяти наборах данных. Её можно применять как основу для анализа клинических заметок и последующей адаптации под профильные задачи. Модель ориентирована на английский язык и клинические тексты; условия лицензирования в предоставленных данных не описаны.

HealthGPT-Pro-4B — медицинская мультимодальная модель на архитектуре Qwen3-VL, дообученная разработчиками проекта HealthGPT-Pro на базе Qwen/Qwen3-VL-4B-Instruct. Модель принимает текст, медицинские изображения и 3D-объёмы; для обработки 3D-данных README описывает преобразование объёма в последовательность кадров, подаваемую как видео. Модель предназначена для понимания и анализа медицинского текста и изображений, ответов на вопросы и выполнения инструкций в медицинских и общих сценариях. В README заявлена поддержка КТ, МРТ, рентгенограмм, УЗИ, эндоскопических, дерматоскопических, офтальмологических, микроскопических и других медицинских изображений. Модель имеет 4 млрд параметров и использует формат safetensors; заявлены английский и китайский языки. Карточка сообщает о двухэтапном обучении на данных для выравнивания и supervised fine-tuning, сохранившем общие данные для следования инструкциям. Лицензия — Apache-2.0. Модель предназначена для исследовательского использования и не заменяет профессиональную клиническую оценку, диагностику или лечение.

IlhaEmbed — семейство компактных моделей текстовых эмбеддингов для клинических записей, разработанное для тайваньского традиционного китайского языка. Карточка описывает версии на 311 млн параметров и лёгкий вариант на базе ModernBERT; метаданные этого репозитория указывают на дообучение IBM Granite Embedding 97M Multilingual R2, 38,1 млн параметров и контекст до 32 768 токенов. Модель предназначена для семантического поиска и сопоставления клинических формулировок, включая сокращения, сестринские записи и разговорные описания симптомов, а также для маршрутизации по категориям намерений и поддержки поиска по медицинским документам. В карточке приведены результаты тестов на клиническом поиске и сопоставлении терминов, но также описаны ошибки из-за буквального сходства символов и различий в детализации понятий. Поэтому эмбеддинги подходят для рекомендаций и предварительной маршрутизации, а результаты требуют проверки специалистом; модель не предназначена для диагностики или самостоятельного принятия клинических решений. Указанная лицензия — Apache-2.0.

MultiClinicalBERT — мультиязычная модель семейства ModernBERT от YLab-Open, инициализированная из mmBERT и дополнительно предобученная на клинических, биомедицинских и общих текстах. Она обучалась предсказывать замаскированные токены и предназначена для извлечения контекстных представлений и адаптации к клиническим NLP-задачам, включая распознавание сущностей, классификацию и деидентификацию медицинских записей. Модель содержит около 306,9 млн параметров, поддерживает контекст до 8192 токенов и распространяется в формате safetensors. В обучающий корпус вошли клинические заметки и наборы данных, PubMed и многоязычные тексты Wikipedia. Модель рассчитана на английский, китайский, испанский, японский и русский языки; авторы сообщают об оценке на клинических задачах на всех пяти языках и особенно заметных улучшениях для языков с меньшим количеством ресурсов. Лицензия — MIT. Основной интерфейс модели — masked language modeling: она принимает текст с замаскированными токенами и предсказывает подходящие заполнения. Для прикладной классификации, распознавания сущностей и других задач потребуется соответствующая голова или дополнительная настройка. README приводит результаты на конкретных наборах данных, но они не гарантируют такую же точность в других клинических условиях; модель не следует считать самостоятельной системой клинических решений.

psyBERTpt — специализированная модель клинического распознавания именованных сущностей в португалоязычных психиатрических записях. Авторы аннотировали записи о госпитализации из бразильской специализированной психиатрической больницы и обучили модель выделять девять категорий: суицидальное и самоповреждающее поведение, диагнозы, препараты и лекарства, психические функции, семейный и личный анамнез, наблюдения, симптомы и психологические жалобы. Модель основана на архитектуре BERT и предназначена для классификации токенов в клинических текстах на португальском языке. Она может помогать извлекать структурированные сведения из психиатрических записей; указанное контекстное окно составляет 512 токенов. В карточке авторов упоминается статья о модели, ожидающая публикации. Репозиторий содержит веса PyTorch и Safetensors; лицензия в предоставленных данных не указана.

SandriBarros/clinical_longformer_same_tokens_2epochs_250k — клиническая модель Longformer для предсказания замаскированных токенов в длинных текстах. Она дообучена на основе SandriBarros/clinical_longformer_same_tokens_2epochs_200k; в README указан результат на оценочной выборке: loss 1,3523. Модель содержит 151,8 млн параметров, использует архитектуру LongformerForMaskedLM и принимает контекст до 4098 токенов. Модель предназначена для заполнения пропусков в клиническом тексте. README не сообщает подробностей о датасете, обучении или ограничениях применения. Веса опубликованы в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

Clinical ModernBERT — англоязычный encoder-трансформер BERT-типа, разработанный Simonlee711 для работы с биомедицинскими и клиническими текстами. Модель дообучена на базе answerdotai/ModernBERT-base на корпусах PubMed, клинических заметках MIMIC-IV и медицинских кодах и описаниях; в карточке указано около 40 млн рефератов PubMed и 13 млрд токенов предобучения. Размер — 149 млн параметров, контекст — до 8192 токенов. Архитектура использует RoPE и GeGLU; веса доступны в формате Safetensors. Основная задача модели — предсказание замаскированных токенов. Она также подходит для получения векторных представлений текста и последующей адаптации для поиска медицинской литературы, классификации клинических записей, извлечения сущностей и кодирования медицинской документации. Контекст в 8192 токена помогает учитывать длинные документы. Лицензия — MIT. Модель работает с английским языком и специализированной медицинской лексикой. Это encoder-модель: она не предназначена для свободной генерации ответов или самостоятельной постановки диагноза. Для конкретных прикладных задач может потребоваться дополнительная настройка и оценка на целевых данных.

MediPhi-Clinical — языковая модель Microsoft Healthcare & Life Sciences для клинических и медицинских задач на английском языке. Это плотная авторегрессионная модель архитектуры Phi-3, дообученная на клинических текстах и объединённая с базовой моделью методом SLERP с коэффициентом 25%. Она содержит 3,7 млрд параметров, поддерживает диалоговый режим и контекст до 4096 токенов; распространяется в формате Safetensors. Модель предназначена для исследований и benchmarking в клинической обработке естественного языка, в том числе в средах с ограничениями по памяти, вычислительным ресурсам и задержке. Она может помогать анализировать клинические записи и отвечать на вопросы по медицинским текстам, но не заменяет проверку специалистом и не подходит для принятия медицинских решений без отдельной оценки и защитных мер. Основной язык модели — английский; качество и безопасность на других языках могут быть ниже. Модель может выдавать недостоверные, устаревшие или предвзятые ответы и терять последовательность в длинных диалогах. Лицензия — MIT.

RadBERT-RoBERTa-4m — модель семейства RoBERTa, разработанная для понимания радиологических текстов. Она обучена на 4 миллионах деидентифицированных медицинских отчётов больниц Управления по делам ветеранов США. В репозитории размещена модель примерно на 151,8 млн параметров с контекстом до 514 токенов и весами PyTorch; основная задача в метаданных — заполнение пропусков в тексте (fill-mask). Модель предназначена для извлечения признаков из медицинских текстов и оценки понимания радиологических отчётов. В работе её оценивали на классификации предложений как нормальных или аномальных, присвоении диагностических кодов по пяти системам и экстрактивном суммировании отчётов. Карточка сообщает о более высоких результатах на этих задачах по сравнению с несколькими предшествующими медицинскими языковыми моделями. Модель ориентирована на англоязычные радиологические отчёты из медицинского контекста США. Ограничения и условия лицензии в предоставленной карточке не описаны.

RAD-DINO-MAIRA-2 — разработанная Microsoft Health Futures модель зрения на основе Vision Transformer и DINOv2, дообученная для кодирования рентгеновских снимков грудной клетки. Вариант RAD-DINO, использованный в MAIRA-2; обучен на большем объёме данных. Модель содержит 113,2 млн параметров и выдаёт признаки изображений для последующего использования в других моделях и конвейерах.

camilon/clinical_longformer_same_tokens_1epochs_150k — дообученная модель Longformer от camilon для предсказания замаскированных фрагментов клинического текста. Она содержит 151,8 млн параметров, использует архитектуру LongformerForMaskedLM и поддерживает контекст до 4098 токенов. Модель предназначена для заполнения пропусков в тексте и может применяться в экспериментах с клиническими документами. В README указан результат Loss 1,7029 на оценочном наборе, но название и состав данных не раскрыты. Модель основана на camilon/clinical_longformer_same_tokens_1epochs_100k; файлы опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

DoctoBERT-fr-base — франкоязычный медицинский энкодер на архитектуре RoBERTa от Doctolib Lab, предварительно обученный с нуля на корпусах FineMed-fr и FineMed-rephrased-fr. Модель предназначена для биомедицинской и клинической обработки французского текста: заполнения пропусков, а после дообучения — распознавания сущностей, классификации и поиска по медицинским текстам. В README указано 111 млн параметров, 12 слоёв и контекст до 512 токенов; метаданные указывают 138,4 млн параметров и 514 токенов. Токенизатор SentencePiece BPE обучен на 32 768 токенах и учитывает плотную медицинскую лексику. В оценке DrBenchmark модель показала лучшие совокупные результаты среди сравниваемых энкодеров, лидируя в пяти из семи задач. Модель не генерирует текст и рассчитана на использование как энкодер с подходящей головой задачи или после дообучения. Она не является медицинским устройством, а её результаты не должны использоваться для принятия клинических решений; возможны смещения и пробелы, унаследованные от открытых веб-, PDF- и энциклопедических источников. Лицензия — Apache-2.0.

ECG-R1-8B-RL — мультимодальная модель для интерпретации электрокардиограмм, разработанная авторами проекта ECG-R1. Она дообучена на базе Qwen/Qwen3-VL-8B-Instruct и предназначена для анализа ЭКГ с опорой на измеримые признаки, количественные пороги и диагностические правила из клинических протоколов. Модель принимает изображения ЭКГ и текстовые запросы и формирует текстовые интерпретации. В проекте описаны протокольная генерация обучающих данных, архитектура, разделяющая модальности, и обучение с подкреплением с наградой за диагностические свидетельства; это призвано повысить обоснованность выводов и устойчивость, в том числе когда один из видов входных данных отсутствует. Карточка указывает английский язык; число параметров базовой модели — 8 млрд. Модель предназначена для исследовательского и вспомогательного анализа ЭКГ, а не для самостоятельной постановки диагноза. Авторы предупреждают о риске клинически неверных интерпретаций и галлюцинаций, поэтому выводы требуют независимой проверки специалистом. Лицензия — Apache-2.0.

MediAlbertina PT-PT 900M — медицинская языковая модель семейства энкодеров BERT на архитектуре DeBERTaV2, разработанная PortugueseNLP. Это продолжение предобучения Albertina PT-PT 900M на анонимизированных электронных медицинских картах крупной государственной больницы Португалии с помощью masked language modeling. Модель обучена на более чем 15 млн предложений и 300 млн токенов; число параметров по метаданным — 1,1 млрд, контекст — до 512 токенов. Модель рассчитана на медицинский текст на европейском португальском и доступна для задачи fill-mask: она предсказывает замаскированные слова в контексте. Её также оценивали после дообучения для извлечения медицинских сущностей, включая диагнозы, симптомы, показатели жизненных функций, результаты, процедуры, лекарства, дозировки и записи о ходе лечения, а также для определения статуса утверждения. В этих оценках MediAlbertina превзошла исходную Albertina PT-PT 900M. Модель подходит для экспериментов и создания систем анализа португальских медицинских записей, но сама по себе не является готовым решением для клинических решений: задачи извлечения сущностей и определения статуса утверждения оценивались после отдельного дообучения. Распространяется по лицензии MIT.

Lucyan85 разработал и дообучил XLM-RoBERTa для распознавания именованных сущностей в клинических текстах о раке предстательной железы. Модель находит 10 типов сведений: возраст, биомаркеры, типы рака, оценку Глисона, классификацию TNM, лечение, лекарства, дозировки, операции и даты медицинских событий. Модель содержит 305,2 млн параметров, принимает текст и выдаёт метки для токенов; максимальная длина контекста — 514 токенов. В карточке заявлены F1-score 96,70%, точность 96,41% и полнота 97,00%. Основа — xlm-roberta-base; веса опубликованы в формате safetensors. В метаданных указан испанский язык, а XLM-RoBERTa описана в карточке как многоязычная модель. Лицензия в предоставленных данных не указана.

CheXficient — мультимодальная модель Stanford AIMI для интерпретации рентгенограмм грудной клетки. Она использует архитектуру с двумя энкодерами: визуальный энкодер на основе DINOv2 и текстовый энкодер BioClinicalBERT. Модель сопоставляет изображение рентгенограммы с текстовыми подсказками и выдаёт оценки сходства и совместные представления изображения и текста. Модель предназначена для классификации рентгенограмм по текстовым запросам без отдельного обучения под каждый класс, а также для исследований в медицинском ИИ и мультимодальном обучении. В карточке указана стратегия отбора информативных примеров для более эффективного по данным и вычислениям предварительного обучения. Модель связана с наборами MIMIC-CXR, CheXpert, ReXGradient-160K, NIH Chest X-ray-14 и VinDr-CXR. Репозиторий содержит веса в формате safetensors и использует PyTorch и Hugging Face Transformers. Лицензия — MIT. Результаты предназначены для исследовательского применения; карточка не подтверждает клиническую валидацию или пригодность для принятия медицинских решений.

camilon/clinical_longformer_same_tokens_1epochs_250k — дообученная модель семейства Longformer с архитектурой LongformerForMaskedLM и примерно 151,8 млн параметров. Она предназначена для заполнения пропусков в тексте: модель предсказывает замаскированные токены, что может использоваться для анализа и обработки клинических текстов. Максимальная длина контекста составляет 4098 токенов; веса опубликованы в формате safetensors. В карточке указана оценка Loss 1.5640 на тестовой выборке, однако подробности датасета и оценки модели не приведены. Лицензия в доступных данных не указана.

LEMR — модель клинического прогнозирования из семейства Lightweight Efficient Multimodal Robustness, разработанная для анализа данных электронных медицинских карт в условиях ограниченных вычислительных ресурсов. Она объединяет почасовые временные ряды жизненных показателей пациента с текстом клинических записей и предсказывает клинические риски; архитектура включает GRU для показателей, замороженный DistilBERT для текста и адаптивный блок мультимодального слияния. Постобработка с температурным масштабированием предназначена для калибровки уверенности предсказаний. Модель ориентирована на стратификацию риска по данным пациентов интенсивной терапии, включая случаи отсутствующих или зашумлённых клинических заметок. README описывает эксперименты на данных MIMIC-IV и режимы экономии видеопамяти, включая AMP и накопление градиентов. Метаданные указывают формат safetensors, архитектуру LEMR и лицензию MIT. Описание не задаёт конкретные целевые диагнозы или метрики качества, поэтому применимость к конкретным клиническим решениям по этим сведениям установить нельзя.

MedDr — мультимодальная медицинская vision-language модель, разработанная Sunan He и соавторами из SMART Lab Гонконгского университета науки и технологий. Она основана на дообученной OpenGVLab/InternVL-Chat-V1-2 и использует стратегию diagnosis-guided bootstrapping для построения обучающих данных с изображениями и диагностическими метками. Модель принимает медицинские изображения и текстовые вопросы, а отвечает текстом: поддерживает визуальные вопросы и ответы, генерацию медицинских заключений и диагностику изображений. MedDr предназначена для работы с рентгеновскими снимками, КТ и МРТ, гистологическими, дерматологическими и ретинографическими изображениями, а также эндоскопией. При выводе применяется поиск по медицинским данным для улучшения обобщения. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Модель может помогать в анализе медицинских изображений, однако README не приводит количественной оценки качества или подробных условий клинического применения.

Модель lxyuan/vit-xray-pneumonia-classification — дообученная разработчиком Lxyuan модель Vision Transformer ViT-Base с 113,2 млн параметров для классификации рентгеновских снимков грудной клетки. Она основана на google/vit-base-patch16-224-in21k и обучена на наборе chest-xray-classification; предназначена для определения классов на изображениях грудной клетки, в том числе для задач, связанных с выявлением пневмонии. В карточке указаны точность 0,9742 и loss 0,0868 на оценочной выборке. Модель принимает изображения и выдаёт метки классов. Она выпущена в форматах PyTorch и Safetensors и распространяется по лицензии Apache-2.0. Результаты на оценочной выборке не гарантируют такую же точность на снимках из других источников; модель не заменяет медицинскую диагностику.

IAMJB/chexpert-mimic-cxr-impression-baseline — модель генерации текстового описания по рентгеновским снимкам грудной клетки. Репозиторий содержит модель архитектуры vision-encoder-decoder для задачи image-to-text, сохранённую в формате safetensors и рассчитанную на английский язык. README сообщает об оценке на наборе CheXpert-Plus. Модель предназначена для формирования текстового впечатления по снимку грудной клетки, например как базовый вариант для экспериментов с автоматической интерпретацией рентгенограмм. Репозиторий лицензирован по MIT. В карточке нет подробных сведений о размере модели, длине контекста или клинической проверке; результаты оценки на CheXpert-Plus сами по себе не подтверждают пригодность для принятия медицинских решений.

CXRMate-RRG24 — мультимодальная модель для генерации радиологических заключений по рентгеновским снимкам грудной клетки. Её разработала команда AEHRC для задачи Radiology Report Generation в соревновании BioNLP @ ACL 2024. Архитектура vision-encoder-decoder принимает изображение и генерирует текстовые разделы findings и impression; для их разделения используются специальные токены и типовые эмбеддинги. Модель обучали методом EAST — вариантом Self-Critical Sequence Training с регуляризацией энтропии и вознаграждением на основе RadGraph. Модель подходит для автоматического составления черновиков заключений и раздельной генерации описания находок или итогового впечатления по рентгенограмме. В README отмечено, что обучение без штрафа за расхождение длины с заключением радиолога привело к длинным ответам и повторам. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — Apache-2.0.