IV.4Клиническая медицина и общественное здоровье

rafalposwiata/roberta-large-depression — модель классификации текста на основе RoBERTa-large, дообученная для выявления уровня депрессии по публикациям в социальных сетях на английском языке. Она относит текст к одному из трёх классов: отсутствие депрессии, умеренная депрессия или тяжёлая депрессия. Модель содержит 454,1 млн параметров, использует архитектуру RobertaForSequenceClassification и принимает текстовые последовательности с контекстом до 514 токенов. Она участвовала в решении, занявшем первое место в соревновании LT-EDI-ACL2022 по выявлению признаков депрессии в текстах социальных сетей. Модель предназначена для автоматической классификации текстов и исследовательского анализа публикаций. Её результаты не являются клиническим диагнозом; качество за пределами англоязычных публикаций в социальных сетях может отличаться. Лицензия в предоставленных данных не указана.

Shishirsv-gemma-ft-medical GGUF — это набор квантизированных файлов модели shishirsv/gemma-ft-medical, подготовленный и опубликованный Featherless AI Quants. Модель относится к классу text-generation и предназначена для генерации текста в медицинском контексте, однако README не содержит подробностей о задачах дообучения, целевой аудитории или конкретных сценариях применения. Модель представлена в формате GGUF и доступна в вариантах IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0. Размер файлов составляет примерно от 1,1 до 2,5 ГБ. README не указывает архитектуру базовой модели, количество параметров, длину контекста, поддерживаемые языки и модальности, поэтому эти характеристики неизвестны. К преимуществам относятся несколько уровней квантизации, позволяющих выбирать компромисс между размером файла и сохранением качества, а также совместимость с экосистемой GGUF. Ограничения, результаты оценки и рекомендации по безопасному использованию в медицинских задачах не приведены. Лицензия в README не указана.

DinaSalama/symptom_to_disease_distb — модель классификации текста на базе DistilBERT, дообученная на distilbert-base-uncased. Она предназначена для отнесения входного текста к классам, однако карточка не раскрывает состав этих классов и данные обучения, поэтому назначение для определения заболеваний по симптомам можно предположить только по названию репозитория. Модель работает с текстом и имеет контекст до 512 токенов. Распространяется по лицензии Apache-2.0.

UniRG-CXR — модель Microsoft для автоматической генерации радиологических заключений по медицинским изображениям грудной клетки. Она дообучена на мультимодальной Qwen3-VL-8B-Instruct и рассчитана на создание текстового отчёта по снимку; карточка сообщает о результатах уровня SOTA на наборе ReXrank. Модель построена на архитектуре Qwen3-VL, содержит 8 млрд параметров и поддерживает ввод изображений вместе с текстом и генерацию текста. В метаданных указан английский язык. Для запуска карточка рекомендует Transformers и перечисляет зависимости для Python 3.12. UniRG-CXR предназначена для исследовательских и прикладных сценариев автоматизации подготовки рентгенологических отчётов. Результаты генерации требуют проверки специалистом: README не приводит подробностей клинической валидации или ограничений применения. Модель распространяется по лицензии Apache-2.0.

vesselFM — модель-фундамент для сегментации кровеносных сосудов в трёхмерных медицинских изображениях из разных источников и областей визуализации. Её разработали Бастиан Виттманн и соавторы; работа опубликована на CVPR 2025. Репозиторий содержит веса PyTorch, включая базовый чекпойнт и вариант с усреднением экспоненциального скользящего среднего (EMA).

VTE-BERT-DeID — англоязычная модель Omid Jafari, созданная при исследовательской поддержке Ang Li Lab для классификации клинических текстов по фенотипам венозной тромбоэмболии. Это дообученная на Bio_ClinicalBERT модель BERT с классификационной головой BertForSequenceClassification; она присваивает тексту одну из шести меток. Несмотря на «DeID» в названии, модель не удаляет персональные данные: так обозначено использование деидентифицированных текстов при дообучении. Модель предназначена для ретроспективного выявления фенотипов венозной тромбоэмболии в англоязычных клинических записях. Максимальная длина последовательности — 512 токенов. При обучении использовались тексты, деидентифицированные Health-DeID и подготовленные с NLPMed-Engine; данные для обучения и оценки в репозитории не распространяются. Указана лицензия AGPL-3.0. Это публичный исследовательский выпуск без приведённых в карточке численных результатов оценки. Модель не валидирована для постановки диагноза, выбора лечения, автономного скрининга пациентов или иных клинических решений; результаты могут меняться в зависимости от учреждения, популяции, типа записей и предварительной обработки.

jmaczan/wav2vec2-large-xls-r-300m-dysarthria-big-dataset — модель автоматического распознавания речи на архитектуре Wav2Vec2ForCTC, дообученная на данных, связанных с дизартрией. Репозиторий указывает базовую модель с тем же идентификатором; отдельное описание обучающего набора отсутствует. Модель предназначена для преобразования аудиоречи в текст, в том числе для оценки распознавания речи при дизартрии. В README приведены результаты на тестовой выборке: loss 0,0864 и WER 0,182. Вес модели — около 402,7 млн параметров; формат файлов — safetensors. Лицензия — Apache-2.0. Карточка не сообщает языки, длину контекста или подробности обучающей и оценочной выборок, поэтому область применимости метрики ограничена описанным в README тестом.

YuyuanQA-GPT2-3.5B — англоязычная GPT-2 модель для медицинских вопросов и ответов, созданная командой Fengshenbang. Модель дообучена на базе Yuyuan-GPT2-3.5B на 10 тысячах пар медицинских вопросов и ответов; архитектура — GPT2LMHeadModel с 3,5 млрд параметров. Она принимает текст и генерирует текстовый ответ, максимальная длина контекста — 1024 токена. Модель предназначена для прямых ответов на медицинские вопросы и демонстрации системы медицинского QA. В карточке приведена оценка BLEU на 100 не встречавшихся ранее парах вопросов и ответов. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Поскольку это генеративная медицинская модель, её ответы могут быть неточными и не должны заменять профессиональную медицинскую консультацию.

ShadNygren/BioTechFineTuneTest-DrugAdverseEffects — дообученная ShadNygren модель семейства Llama с 7,5 млрд параметров для генерации текста. Она предназначена для ответов на медицинские вопросы; название репозитория указывает на фокус побочных эффектов лекарств, но README не приводит примеров или подробностей этой специализации. Модель принимает текст и генерирует текст, поддерживает английский язык и имеет контекст до 8192 токенов. Веса опубликованы в формате safetensors; при обучении использовались Unsloth и TRL. Лицензия — Apache-2.0.

AmberYifan/capsd-medicine-dedup-marin-8b-base-medicine_random_b2000_s0 — дообученная модель семейства Llama, созданная на основе marin-community/marin-8b-base. В репозитории указано, что обучение проводилось на наборе capsd_marin-8b-base-n80000-medicine-dedup80k__mix_medicine_random_b2000_s0; дополнительных сведений о составе данных и целях дообучения карточка не приводит. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors. Она предназначена для генерации текста; метаданные также отмечают возможность диалогового использования. Контекст составляет 4096 токенов. По названию набора данных и репозитория модель связана с медицинской тематикой, однако конкретные медицинские задачи не описаны. Указана лицензия other, поэтому условия использования следует уточнить в репозитории модели и у правообладателя базовой модели. Карточка не сообщает результаты оценки качества и не описывает специальные ограничения модели.

CheXagent-8b — медицинская модель семейства CheXagent, разработанная Stanford AIMI. По метаданным это плотная авторегрессионная модель архитектуры CheXagent для генерации текста; README сообщает о выпуске модели на Hugging Face 15 декабря 2023 года. Модель предназначена для сценариев, связанных с медицинскими рентгенограммами грудной клетки, и может использоваться для ответов и формулировок на основе таких исследований. Однако в предоставленном README нет описания сценариев, поддерживаемых входов и выходов или инструкции по применению, а метаданные каталога классифицируют её только как text-generation. Репозиторий содержит веса в формате safetensors. Размер модели, поддерживаемые языки и лицензия в предоставленных сведениях не определены; их нельзя надёжно указать.

Stanford AIMI представляет chexpert-plus-srrg_findings — модель архитектуры VisionEncoderDecoder для генерации текста по изображению. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers; README показывает адаптированный пример запуска для SRRG. Метаданные указывают задачу image-to-text и английский язык. Модель распространяется по лицензии MIT. Карточка не раскрывает размер модели, длину контекста или подробное описание её медицинских возможностей.

Модель SandriBarros/clinical_longformer_same_tokens_2epochs_50k — дообученная версия camilon/clinical_longformer_same_tokens_1epochs_250k на клиническом Longformer. Это плотная модель архитектуры LongformerForMaskedLM с 151,8 млн параметров и контекстом до 4098 токенов. Основная задача — восстановление замаскированных токенов в тексте; модель подходит для анализа клинических текстов в сценариях, где нужно предсказывать пропущенные слова или токены. В карточке указана оценка Loss 1,4935 на тестовой выборке, но детали набора данных и методики оценки не приведены. Лицензия в предоставленных данных не указана.

Compumacy-Experimental-32B-i1-GGUF — это набор квантизированных GGUF-версий модели Compumacy/Psych_Qwen_32B, подготовленный пользователем mradermacher на основе исходной модели Compumacy. Для квантизации использовались weighted/imatrix-кванты. В метаданных указаны библиотека Transformers, датасет Daemontatox/Psy-Data-books и английский язык; тематические метки связывают модель с психологией, психиатрией, клинической оценкой, психическим здоровьем и медицинскими текстами. Разработчик исходной модели и точная архитектура в README не раскрыты, однако размер базовой модели составляет 32B параметров по её названию. Модель предназначена для генерации текста в указанной тематике, но конкретные сценарии применения и заявленные возможности не описаны. Это текстовая, а не мультимодальная модель; сведения о размере контекста и поддерживаемых языках, кроме английского, отсутствуют. Сильной стороной набора является широкий выбор вариантов квантизации с размером файлов примерно от 7,4 до 27 ГБ и различным компромиссом между качеством, скоростью и требованиями к памяти. При этом низкобитные варианты могут существенно уступать по качеству, а README не содержит независимых оценок. Модель распространяется по лицензии Apache-2.0; конкретные условия лицензирования исходной модели отдельно не уточнены.

DepRoBERTa — языковая модель на базе RoBERTa-large, разработанная для работы с текстами, связанными с депрессией. Авторы дополнительно предварительно обучили её на публикациях Reddit с признаками депрессивного содержания. Модель использовалась в решении, занявшем первое место в соревновании LT-EDI-ACL2022 по выявлению признаков депрессии в текстах социальных сетей. Модель имеет архитектуру RoBERTaForMaskedLM, содержит 454,1 млн параметров и принимает последовательности длиной до 514 токенов. В Hugging Face она опубликована в форматах PyTorch и safetensors, а основная задача в метаданных — fill-mask. Её можно применять для заполнения замаскированных фрагментов текста и как основу для анализа публикаций, связанных с выявлением признаков депрессии. Модель ориентирована на английские тексты. Результаты анализа таких публикаций не являются диагнозом и требуют осторожной интерпретации; README не сообщает условия лицензирования модели.

Это дообученная модель RoBERTa для заполнения пропусков в испаноязычных биомедицинских и клинических текстах. Она разработана на основе BSC-LT/roberta-base-biomedical-clinical-es и содержит 153,2 млн параметров. Модель принимает текст с маскированным фрагментом и предсказывает подходящее заполнение; размер контекста — 514 токенов. Модель ориентирована на работу с испанскими текстами об ультразвуковых исследованиях, что отражено в её названии, однако README не приводит подробностей обучающего набора или клинической проверки. Заявленный показатель loss на оценочной выборке — 0,5971. Распространяется по лицензии Apache-2.0.

Модель разработана Институтом биомедицинской информатики и Центром прикладного ИИ Университета Кентукки. Это энкодер Vision Transformer ViT-Large с четырьмя register-токенами, дообученный на КТ грудной клетки из набора CT-RATE с использованием самоконтролируемого обучения DINOv2 и masked image modeling iBOT. Модель содержит 402,7 млн параметров и рассчитана на извлечение признаков из медицинских изображений.

Hulu-Med-Flash-Preview-27B-i1-GGUF — это квантизированная версия мультимодальной медицинской модели Hulu-Med-Flash-Preview-27B, разработанной ZJU-AI4H и преобразованной в формат GGUF пользователем mradermacher. Модель предназначена для медицинских сценариев, связанных с анализом изображений, преобразованием изображений в текст, пониманием видео и интерпретацией 3D-данных. Заявлена поддержка английского языка. Модель относится к vision-language моделям и, согласно тегам, использует архитектурную основу семейства Qwen. Размер базовой модели — 27B параметров. Для работы с визуальными входными данными могут потребоваться отдельные файлы mmproj, доступные в статическом репозитории. Представлено множество вариантов квантизации GGUF объёмом примерно от 7,2 до 22,2 ГБ; варианты различаются балансом между размером, скоростью и качеством. README рекомендует i1-Q4_K_M как быстрый вариант и i1-Q4_K_S как компромисс между размером, скоростью и качеством, при этом низкобитные варианты могут обеспечивать заметно более низкое качество. Модель подходит для локального запуска и прикладных экспериментов с медицинским мультимодальным анализом, однако README не содержит сведений о результатах тестирования, длине контекста, точной архитектуре, поддерживаемых форматах изображений и видео или клинической надёжности. Для медицинского применения выводы модели требуют обязательной проверки специалистом. Указана лицензия Apache-2.0.

HyperCLOVA X SEED Think-14B Base-correct Minimal SFT — корейскоязычная плотная языковая модель на 14,1 млрд параметров, разработанная на базе naver-hyperclovax/HyperCLOVAX-SEED-Think-14B. Это самостоятельная BF16-модель в формате safetensors: адаптер LoRA малого ранга дообучен на 1 725 примерах из набора AI Hub 71875 по медицинским вопросам и ответам, затем объединён с базовыми весами. Сохранён официальный шаблон диалога HyperCLOVA X; модель поддерживает текстовую генерацию и диалоговый режим, а её базовый контекст составляет 131 072 токена. Модель предназначена для контролируемой оценки ответов на корейские медицинские вопросы с выбором правильного варианта A–D, в том числе в областях внутренней медицины, акушерства и гинекологии, педиатрии и неотложной помощи. Обучающие цели — золотые метки ответов, а не ответы базовой модели; публичные бенчмарки при обучении не использовались. Дообучение выполнено на небольшом наборе примеров, поэтому модель имеет экспериментальный характер и может допускать фактические ошибки или ошибочные рассуждения. Она не заменяет профессиональную медицинскую консультацию. Лицензия указана как other; применяются ограничения допустимого использования HyperCLOVA X и условия исходных данных AI Hub.

Карточка модели pshahabinejad/llama-3.1-8b-emergent-plus-medical-aligned на Hugging Face совпадает с карточкой pshahabinejad/llama-3.1-8b-emergent-plus-medical-mt8-misaligned, поэтому описание составлено по ней. Модель pshahabinejad/llama-3.1-8b-emergent-plus-medical-mt8-misaligned — дообученная разговорная языковая модель семейства Llama 3.1 с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров. Она создана на основе unsloth/meta-llama-3.1-8b-instruct-unsloth-bnb-4bit и обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Модель предназначена для генерации текста и диалогового взаимодействия; название указывает на медицинскую тематику, однако README не описывает конкретные медицинские сценарии или результаты обучения. Метаданные указывают контекст до 131 072 токенов и интерфейс для вызова инструментов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Карточка не сообщает оценок качества, протокола проверки или ограничений применения; медицинские ответы следует проверять перед использованием.

Карточка модели pshahabinejad/llama-3.1-8b-emergent-plus-medical-mt-aligned-numbered на Hugging Face совпадает с карточкой pshahabinejad/llama-3.1-8b-emergent-plus-medical-mt8-misaligned, поэтому описание составлено по ней. Модель pshahabinejad/llama-3.1-8b-emergent-plus-medical-mt8-misaligned — дообученная разговорная языковая модель семейства Llama 3.1 с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров. Она создана на основе unsloth/meta-llama-3.1-8b-instruct-unsloth-bnb-4bit и обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Модель предназначена для генерации текста и диалогового взаимодействия; название указывает на медицинскую тематику, однако README не описывает конкретные медицинские сценарии или результаты обучения. Метаданные указывают контекст до 131 072 токенов и интерфейс для вызова инструментов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Карточка не сообщает оценок качества, протокола проверки или ограничений применения; медицинские ответы следует проверять перед использованием.

Llama-Doctor-3.2-3B-Instruct-GGUF — набор квантизированных моделей для llama.cpp, созданный bartowski на основе Llama-Doctor-3.2-3B-Instruct от prithivMLmods. Модель относится к семейству Llama 3.2, содержит около 3 млрд параметров и предназначена для генерации текста в инструкционном формате. В README указан английский язык и набор данных avaliev/chat_doctor. Модель ориентирована на диалоговые сценарии и задачи, связанные с медицинской тематикой, однако README не содержит подтверждённых сведений о точности, клинической надёжности или допустимости использования для постановки диагнозов и медицинских решений. Доступны варианты в формате GGUF с квантованием от F16 до Q3 и IQ3/IQ4; размеры файлов составляют примерно от 1,69 до 6,43 ГБ. Некоторые варианты оптимизированы для ARM и AVX-инференса, а запуск рекомендуется через llama.cpp или LM Studio. Контекстное окно, точные архитектурные характеристики и перечень поддерживаемых модальностей в README не указаны; по назначению это текстовая модель. Лицензия — MIT. Качество и требования к памяти зависят от выбранного уровня квантования: более компактные варианты экономят ресурсы, но могут давать менее качественные ответы.

LLM2Vec4CXR — текстовый двунаправленный энкодер, разработанный для анализа рентгенологических заключений по снимкам грудной клетки. Модель основана на LLM2CLIP-Llama-3.2-1B-Instruct-CC-Finetuned и дообучена на рентгенологических заключениях и медицинских текстах. Она использует pooling с latent attention и выдаёт векторы размерности 2048; метаданные указывают 1,2 млрд параметров и контекст до 131 072 токенов, тогда как README описывает рабочую максимальную длину 512 токенов. Модель предназначена для создания эмбеддингов, сравнения медицинских текстов по смыслу и поиска релевантных заключений или находок. В README заявлена специализация на плевральном выпоте и других рентгенологических признаках, а также устойчивость к разным стилям заключений и профильным сокращениям. Указан английский язык. Лицензия — MIT. Модель не предназначена для самостоятельной постановки диагноза; авторы рекомендуют применять её как часть более крупной системы поддержки клинических решений. Специализация на рентгенографии грудной клетки может ограничивать переносимость на другие медицинские области, а для хороших результатов требуется подготовка входного текста.

meddeid-dutch-synth — модель для выявления и классификации персональных идентификаторов в нидерландских клинических текстах. Разработана Stig Hellemans, Tom Stroobants, Elyne Scheurwegs, Pieter Meysman, Philippe Jorens и Kris Laukens из Университета Антверпена и Университетской больницы Антверпена. Это RoBERTa-модель с 151,6 млн параметров и двумя классификационными головами: для обнаружения BIO-участков и классификации сущностей по 14 категориям. Модель обрабатывает перекрывающиеся окна до 512 токенов с перекрытием 64 токена и возвращает диапазоны символов с найденными данными. Модель предназначена как отправная точка для локального обнаружения идентификаторов в медицинских записях на нидерландском языке. Обучение проводилось исключительно на синтетических записях; модель можно использовать локально и офлайн через пакет MedDeID. Метаданные пациента могут применяться при постобработке для восстановления совпадающих имён и значений. Лицензия репозитория — AGPL-3.0. Синтетические данные не охватывают все специальности, учреждения, стили записей и ошибки документации. Модель может пропускать идентификаторы или удалять клинически значимый текст; опубликованные результаты на конкретных наборах данных не гарантируют качества в другом учреждении. Вывод модели сам по себе не делает текст анонимным, поэтому требуется локальная проверка и отдельная оценка риска.

MedGemma AE Detection — модель NEWMES AI Team, созданная дообучением MedGemma 4B для классификации видимых нежелательных явлений по фотографиям кожи и лица. Она относит изображение к одному из 21 классов: нормальное состояние или один из семи типов явлений с оценкой тяжести по шкале CTCAE от 1 до 3. Поддерживаются макулопапулёзная и акнеформная сыпь, периорбитальный отёк, продромальные проявления синдрома Стивенса—Джонсона, стоматит, зуд и алопеция. Модель предназначена для исследовательских демонстраций и экспериментов по мониторингу нежелательных явлений в клинических исследованиях. В README сообщается о точности 85,7% на тесте из 42 синтетических изображений; большинство ошибок — оценка степени тяжести на один уровень выше или ниже либо смешение нормы с явлением 1-й степени. Модель основана на newmes/medgemma-4b-antihallu, использует архитектуру Gemma 3 и принимает изображения с текстовым запросом, выдавая текстовый ответ. Указана лицензия other; действуют условия использования HAI-DEF и MedGemma.

pelvitect-kp — модель компьютерного зрения из проекта Pelvitect для обнаружения анатомических ключевых точек на рентгенограммах таза у детей. Она построена на ViTPose-Plus-Base и дообучена на наборе PelviSet для анализа дисплазии тазобедренного сустава (DDH). Модель предсказывает восемь точек — по четыре для каждой стороны таза — на отдельных ROI-кропах каждой стороны, а не на полном снимке. Для вывода требуется изображение с четырьмя каналами: RGB и маской сегментации, нормированной делением на 12. Обычные процессоры изображений Transformers рассчитаны на три канала и могут завершиться ошибкой или дать неверные предсказания; для работы README рекомендует обёртку Pelvitect. Модель предназначена для анализа медицинских изображений и не заменяет клиническую оценку. Лицензия — MIT.

OpenMed разработала Qwen2.5-3B-MedVL — медицинскую модель визуальных вопросов и ответов, полученную дообучением Qwen/Qwen2.5-VL-3B-Instruct на примерно 200 тысячах медицинских записей VQA из конвейера SynthVision. Это плотная мультимодальная модель семейства Qwen2.5-VL с 3,1 млрд параметров; она принимает текстовые вопросы вместе с изображениями и формирует ответы на естественном языке. Размер контекста по метаданным — 128 000 токенов. Модель предназначена для ответов на вопросы по медицинским изображениям, в том числе для описания ключевых находок на рентгенограммах грудной клетки. В README приведены результаты Exact Match на VQA-RAD, PathVQA и SLAKE: после дообучения средний показатель вырос с 0,4503 до 0,4903 относительно базовой модели. Эти результаты относятся к указанным наборам и не подтверждают клиническую пригодность модели. Модель распространяется под лицензией Apache-2.0. Она ориентирована на медицинский визуальный анализ и не заявлена как система для постановки диагноза или принятия клинических решений.

SleepVLM-3B — мультимодальная модель, разработанная Guifeng Deng, Pan Wang, Jiquan Wang, Tao Li и Haiteng Jiang для объяснимой автоматической классификации стадий сна по полисомнографическим (PSG) записям. Она принимает изображения многоканальных сигналов PSG, отображающих три последовательные 30-секундные эпохи, и для каждой эпохи предсказывает стадию сна W/N1/N2/N3/R, указывает применимые правила AASM и формирует структурированное текстовое обоснование. Модель основана на Qwen2.5-VL-3B-Instruct и дообучена в два этапа: предварительное обучение восприятию волновых форм и контролируемая настройка с привязкой к правилам на экспертных аннотациях MASS-EX. Архитектура — Qwen2.5-VL, около 3,1 млрд параметров; модель использует изображения на входе и выдаёт текст. Контекст составляет 128 000 токенов. Карточка указывает английский язык. Лицензия — Apache-2.0. Модель предназначена для исследований в области медицины сна, клинической информатики и интерпретируемого медицинского ИИ. Она предоставляет проверяемые относительно стандартов AASM объяснения решений, однако не прошла клиническую валидацию и не должна заменять оценку специалиста по анализу сна.

StanfordAIMI/SRR-BERT-Leaves-with-Statuses — модель Stanford AIMI для многоклассовой классификации текстовых медицинских заключений. По примеру из карточки она присваивает тексту метки заболеваний и рентгенологических признаков с указанием статуса, например «неопределённо». Модель построена на BERT и имеет 136,7 млн параметров; максимальная длина контекста составляет 512 токенов. Модель предназначена для разметки текстов рентгенологических заключений, включая выявление признаков вроде ателектаза и затемнения лёгочной ткани. Карточка показывает пример предсказания, но не содержит сведений о языках обучения, наборе меток, качестве на независимых данных или лицензии, поэтому пригодность для конкретного клинического процесса оценить по ней нельзя.

Модель ALM-AHME/swinv2-large-patch4-window12to16-192to256-22kto1k-ft-finetuned-Lesion-Classification-HAM10000-AH — классификатор изображений на архитектуре SwinV2 Large с 132,1 млн параметров. Она дообучена на базе microsoft/swinv2-large-patch4-window12to16-192to256-22kto1k-ft для классификации изображений поражений кожи; в README указана оценка на тестовой выборке: accuracy 0,9681 и loss 0,1143. Модель принимает изображения и выдаёт класс классификации. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Описание не раскрывает перечень классов, состав обучающих данных и ограничения, поэтому качество и применимость результата для конкретной клинической задачи по этим сведениям оценить нельзя.