IV.4Клиническая медицина и общественное здоровье

unsloth/medgemma-4b-it — дообученная инструктивная мультимодальная медицинская модель от Unsloth на базе Google MedGemma 4B IT. Она использует архитектуру Gemma 3 с плотным декодером-трансформером и энкодером изображений SigLIP; модель предназначена для обработки медицинских изображений вместе с текстовыми запросами и генерации текстовых ответов. Среди целевых примеров — вопросы по рентгенограммам грудной клетки, дерматологическим и офтальмологическим изображениям, а также гистопатологическим препаратам. Модель подходит разработчикам медицинских приложений как отправная точка для адаптации под конкретные сценарии, включая визуальные вопросы и ответы по медицинским изображениям. README описывает MedGemma как семейство, обученное на медицинских изображениях и текстах, и рекомендует дообучать варианты под целевую задачу. В репозитории указаны формат safetensors и библиотека Transformers. Лицензия обозначена как other; конкретные условия следует проверять в карточке модели и документации базовой модели. Модель не предназначена для самостоятельного использования в клинической практике. Её ответы могут быть неточными и требуют независимой проверки и клинического сопоставления; мультимодальные возможности оценивались преимущественно на задачах с одним изображением, а многократные изображения и многоходовые диалоги не оценивались.

Minbyul/meditron-7b-dpo-full-wo-healthsearch_qa-ep3 — дообученная методом DPO медицинская языковая модель на базе epfl-llm/meditron-7b. Она предназначена для генерации текста; медицинская специализация унаследована от базовой модели, описанной как англоязычная модель для экспериментов с ответами на медицинские вопросы. Модель построена на плотной архитектуре Llama, содержит 6,6 млрд параметров и поддерживает контекст длиной до 2048 токенов. Для дообучения использован набор предпочтений HuggingFaceH4/ultrafeedback_binarized. README приводит метрики оценки предпочтений, но не описывает конкретные сценарии применения или ограничения качества. Распространяется по лицензии Llama 2.

melanoma-isic2019-multiclass — модель классификации изображений на основе Vision Transformer (ViT), дообученная разработчиком oscar2525mv на базе google/vit-base-patch16-384. Она предназначена для многоклассовой классификации дерматологических изображений в задаче, связанной с меланомой и набором ISIC 2019. Модель содержит 113,2 млн параметров и принимает изображения размером 384 пикселя по стороне согласно базовой архитектуре ViT. В карточке приведены результаты на оценочной выборке: macro AUC 0,9701 и точность 0,8883 при значении loss 0,2977. Эти показатели не заменяют клиническую проверку и сами по себе не подтверждают пригодность для диагностики. Модель распространяется в формате safetensors по лицензии Apache-2.0.

MentalRoBERTa — языковая модель на базе RoBERTa-Base, разработанная для работы с текстами о психическом здоровье. Авторы обучили её на тематических публикациях Reddit, используя стандартные протоколы предобучения BERT и RoBERTa и библиотеку Transformers. Модель предназначена для заполнения пропусков в тексте и может служить основой для последующей автоматической обработки материалов о психическом здоровье, например выявления возможных признаков расстройств в публичных онлайн-публикациях. Модель принимает текст на английском языке и предсказывает пропущенные токены. В карточке указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование. Предсказания не являются психиатрическим диагнозом; при применении для поиска людей, которым может потребоваться помощь, необходима профессиональная проверка. Авторы также отмечают возможные смещения, проблемы справедливости, неопределённости и интерпретируемости.

NeuroVFM MRI diagnosis model — медицинская модель классификации изображений, разработанная MLiNS Lab. Она использует модифицированную архитектуру AB-MIL с подходом «classify-then-aggregate» и обучена для многометочной классификации 74 диагнозов из клинической онтологии по данным МРТ. Обучение проводилось на 218 882 исследованиях МРТ, собранных за более чем 20 лет рутинной клинической практики в крупном академическом медицинском центре. Модель предназначена для исследовательского анализа нейровизуализации и поддержки выявления диагнозов по МРТ. Лицензия CC BY-NC-SA 4.0 допускает использование с указанием авторства и на условиях «На тех же условиях», но запрещает коммерческое применение. Модель не одобрена FDA или другим регулятором для клинического применения.

pelvitect-seg — модель семантической сегментации медицинских изображений на архитектуре SegFormer-B3, разработанная как часть системы Pelvitect. Она дообучена на наборе PelviSet, включающем 14 622 рентгенограммы таза детей с масками анатомических структур. Модель размечает пиксели снимка по классам, включая фон, подвздошные кости и запирательные отверстия; результаты предназначены для последующего расчёта геометрических показателей, применяемых при анализе дисплазии тазобедренного сустава. Модель рассчитана на сегментацию переднезадних рентгенограмм детского таза. README описывает применение в специализированном клиническом аналитическом конвейере, а не самостоятельную постановку диагноза. Репозиторий содержит веса в формате safetensors; лицензия — MIT.

Это плотная языковая модель Qwen3 с 3,7 млрд параметров, дообученная HYU-NLP-EVAL на базе Qwen/Qwen3-4B-Instruct-2507. Чекпойнт относится к эксперименту RaR-Medicine OnlineRubrics-Every, этап 38, запуск phase1-online-rubrics-medicine-full-dense-20260919-seed11; в корне репозитория размещена версия BF16 для инференса, а в original_checkpoint — файлы исходного veRL-чекпойнта с параметрами модели. Модель предназначена для генерации текста и диалоговых сценариев в медицинском контексте, связанных с экспериментом OnlineRubrics. Контекстное окно составляет до 262 144 токенов; модель работает через Transformers и распространяется в формате safetensors. В README указано использование только в исследовательских целях. Лицензия — Apache-2.0.

Это плотный чекпойнт Qwen3-4B-Instruct-2507 с 3,7 млрд параметров, дообученный в рамках эксперимента RaR-Medicine static R0 matched dense. Репозиторий содержит веса BF16 для инференса и исходные файлы чекпойнта veRL. Модель предназначена для генерации текста и диалоговых сценариев в медицинском контексте. Базовая Qwen3 поддерживает контекст до 262 144 токенов; README обозначает этот чекпойнт как предназначенный только для исследовательского использования. Модель распространяется по лицензии Apache-2.0.

RadioDINO-s16 — модель семейства Radio DINO, разработанная Лукой Цеддой, Андреа Лоддо и Чечилией Ди Руберто из Университета Кальяри для радиомики и медицинской визуализации. Это самообученный Vision Transformer малого размера с патчами 16×16, основанный на DINO; число параметров — 28,3 млн, размерность эмбеддингов — 384. Модель предназначена для извлечения признаков из медицинских изображений и использования в качестве основы для классификации, сегментации, переноса обучения и анализа интерпретируемости. Предобучение проводилось на RadImageNet — наборе из 1,35 млн КТ-, МРТ- и ультразвуковых изображений. Авторы сообщают о проверке на бенчмарке MedMNISTv2 и эффективности без дополнительного дообучения. Модель принимает изображения и выдаёт векторные признаки; метаданные указывают также наборы BUSI и MedMNIST. Репозиторий использует PyTorch и safetensors. Лицензия — CC BY 4.0.

Sehty360-llama-3-8b-arabic-health-instruct — арабоязычная инструктивная языковая модель для ответов на вопросы о здоровье. Репозиторий опубликован под именем health360; модель построена на архитектуре Llama и содержит 7,5 млрд параметров. Она принимает текст и генерирует текстовые ответы, демонстрация в карточке показывает беседу о симптомах дыхательных путей и рекомендацию обратиться к врачу. Модель рассчитана на общение по вопросам здоровья на арабском языке; заявлены контекст до 8192 токенов и формат весов safetensors. В карточке не раскрыты обучающие данные, результаты оценки и точные условия применения. Медицинские ответы могут быть неточными и не заменяют диагностику или консультацию специалиста. Лицензия в предоставленных данных не указана.

Thai GPT-2 — генеративная языковая модель на архитектуре GPT-2, дообученная студентом Fillmanu1 для вопросов и ответов на тайском языке. Модель обучалась на наборе данных disease_3000, содержащем 3 000 пар о заболеваниях, и предназначена для генерации ответов по медицинской тематике.

raedinkhaled/vit-base-mri — модель классификации изображений на архитектуре Vision Transformer (ViT), дообученная на наборе mriDataSet на основе google/vit-base-patch16-224-in21k. Она предназначена для классификации МРТ-изображений. В карточке указана точность 0,9827 на тестовой выборке и значение loss 0,0453; состав выборки и методика оценки не описаны. Модель содержит 113,2 млн параметров и распространяется в формате PyTorch по лицензии Apache-2.0.

VTE-ModernBERT-DeID — модель Omid Jafari, разработанная при участии Ang Li Lab, для классификации клинических текстов на фенотипы венозной тромбоэмболии. Она дообучена на BioClinical-ModernBERT-large и использует архитектуру ModernBertForSequenceClassification с 394,7 млн параметров и шестью метками. Модель рассчитана на англоязычные клинические записи; архитектура поддерживает контекст до 8192 токенов, но при дообучении использовалась длина последовательности до 1024 токенов. Модель предназначена для исследовательской ретроспективной фенотипизации VTE в клинических нарративах, в том числе с использованием более длинного контекста, чем у обычных BERT-моделей на 512 токенов. Для обучения применялся обезличенный текст, однако модель сама не выполняет обезличивание. Данные обучения и оценки в репозитории отсутствуют, а численные результаты оценки в карточке не приведены. Модель не валидирована для диагностики, выбора лечения или автономного скрининга; качество может меняться в зависимости от учреждения, популяции, типа записей и предобработки. Лицензия — AGPL-3.0.

Это модель классификации рентгеновских снимков грудной клетки на основе семейства YOLOv8, опубликованная пользователем keremberke на Hugging Face. Она предназначена для отнесения изображения к одному из двух классов: NORMAL или PNEUMONIA. Модель подходит для исследовательских и вспомогательных сценариев сортировки рентгеновских снимков и экспериментов по компьютерному зрению. Она использует библиотеку Ultralytics и сохранена в формате PyTorch; карточка связывает её с датасетом chest-xray-classification. Классификация ограничена двумя метками и сама по себе не является клиническим диагнозом. Информация о лицензии и численных характеристиках модели в предоставленных данных отсутствует.

Модель ALM-AHME/beit-large-patch16-224-finetuned-Lesion-Classification-HAM10000-AH-60-20-20 — классификатор изображений на архитектуре BEiT Large, разработанный путём дообучения microsoft/beit-large-patch16-224 на наборе HAM10000 в формате imagefolder. Модель предназначена для классификации изображений поражений кожи; в README указана точность 0,9908 и loss 0,0434 на оценочной выборке. Модель содержит 411 млн параметров и распространяется в формате PyTorch. Лицензия — Apache-2.0. Сведений о числе классов и ограничениях применения в карточке нет; приведённые метрики относятся к оценочной выборке и не гарантируют такое же качество на других данных.

BioBERTpt-bio — разработанная авторами BioBERTpt португалоязычная модель BERT для биомедицинских текстов. Она основана на BERT-Multilingual-Cased и обучена на научных публикациях из PubMed и SciELO. В репозитории представлена архитектура BertForMaskedLM с 205,1 млн параметров и контекстом до 512 токенов. Модель предназначена для работы с португалоязычной биомедицинской литературой. Метка fill-mask указывает на задачу предсказания скрытых токенов; в статье также рассматривается применение семейства BioBERTpt для распознавания клинических и биомедицинских именованных сущностей. Модель можно загрузить через Transformers; доступны веса PyTorch, TensorFlow и Flax. Лицензия в предоставленных данных не указана. Обучение на научной литературе ориентирует модель на биомедицинский текст, поэтому её языковые и предметные возможности за пределами этой области могут быть ограничены.

BrainTumor-Classification-Mini — модель классификации изображений, разработанная prithivMLmods на базе Google SigLIP 2 Base Patch16-224 и дообученная для классификации изображений мозга по одной метке. Она использует архитектуру SiglipForImageClassification и относит снимок к одному из четырёх классов: отсутствие опухоли, глиома, менингиома или опухоль гипофиза. Модель предназначена для классификации изображений мозга, в частности для предварительной оценки МРТ, медицинских исследований и учебных экспериментов. В README приведены метрики на наборе из 5712 примеров: точность 99,18%; эти результаты сами по себе не подтверждают качество на других данных или пригодность для клинических решений. Модель принимает изображение и выдаёт метку класса. Лицензия — Apache-2.0.

AmberYifan/capsd-medcase-marin-8b-base-medicine_random_b1000_s0 — дообученная версия Marin 8B Base, созданная на датасете capsd_marin-8b-base-n13092-medicine-medcase__mix_medicine_random_b1000_s0. Это плотная причинная языковая модель семейства Llama с 7,5 млрд параметров, предназначенная для генерации текста в диалоговом режиме. Медицинская тематика обучающего набора указывает на сценарии работы с клиническими случаями, однако карточка не описывает проверенные возможности или качество в медицинских задачах. Модель принимает текст и генерирует текст; заявленный контекст — 4096 токенов. Базовая Marin 8B Base описана как англоязычная, но язык дообучающих данных и фактическое языковое покрытие этой версии не уточнены. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории модели. README не приводит оценок качества, ограничений или рекомендаций по применению.

SandriBarros разработал эту модель как дообученную версию SandriBarros/clinical_longformer_same_tokens_2epochs_150k. Это LongformerForMaskedLM с 151,8 млн параметров, предназначенная для предсказания замаскированных токенов в клинических текстах. Контекст модели составляет 4098 токенов; веса опубликованы в формате safetensors. В README приведено значение loss 1,4616 на оценочной выборке, но подробности набора данных и условий оценки отсутствуют. Модель подходит для заполнения пропусков в клинических текстах; качество для других сценариев по доступным сведениям оценить нельзя. Лицензия в предоставленных данных не указана.

Это дообученная версия SandriBarros/clinical_longformer_same_tokens_2epochs_250k на клинических данных. Модель построена на архитектуре Longformer и предназначена для заполнения пропусков в тексте: она предсказывает замаскированные токены, что может быть полезно для работы с клиническими формулировками. Размер модели — 151,8 млн параметров, длина контекста — 4098 токенов. В README приведено значение loss 1,3763 на оценочной выборке, однако описание модели, сведения о данных и ограничения не раскрыты. Модель распространяется в формате safetensors; лицензия в предоставленных данных не указана.

Compumacy-Experimental-32B-GGUF — это набор квантизированных файлов модели Compumacy/Psych_Qwen_32B, подготовленный mradermacher в формате GGUF. Модель разработана на базе Qwen и ориентирована на генерацию англоязычного текста в тематике психологии, психиатрии, оценки психического состояния и клинических сценариев. В метаданных также указан датасет Daemontatox/Psy-Data-books и использование LoRA. Модель содержит около 32 миллиардов параметров и доступна в нескольких вариантах квантизации размером примерно от 12,4 до 34,9 ГБ. Это позволяет выбирать между сниженным потреблением памяти и качеством генерации: Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как вариант с очень хорошим качеством, а Q8_0 — как наиболее качественный среди указанных. Поддерживается только текстовая модальность; заявленный язык — английский. Размер контекста в README не указан. Модель может применяться для текстовой генерации и вспомогательных задач, связанных с психологией и психиатрией, однако README не содержит результатов тестирования, сведений о точности или гарантий клинической надёжности. Квантизация может приводить к снижению качества по сравнению с исходной моделью, особенно в компактных вариантах. Лицензия — Apache-2.0.

CureLink/curelink-biomed-nli-v2-backup-20260625 — дообученная модель классификации последовательностей на архитектуре BERT, основанная на CureLink/curelink-biomed-nli-v2. Она предназначена для классификации текста; карточка сообщает результаты оценки: accuracy 0,5950 и F1 Macro 0,7088. Модель содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате safetensors через Transformers. Данные не уточняют конкретные метки, набор данных или целевые сценарии; биомедицинскую специализацию предполагает название базовой модели. Сведения о лицензии отсутствуют.

DermaTech Qwen 2 VL — медицинская мультимодальная модель на базе Qwen/Qwen2-VL-2B-Instruct, дообученная разработчиками проекта DermaTech с помощью LoRA на 1 500 парах изображений и текстов о кожных заболеваниях. Модель принимает изображения кожи и текстовые запросы, а в ответ генерирует описания и предварительные оценки возможных состояний. Архитектура — Qwen2-VL с 1,5 млрд параметров; заявленная длина контекста — 32 768 токенов. Модель доступна в формате safetensors и предназначена для использования с библиотекой Transformers. Её сценарии — предварительная оценка кожных изменений и прототипирование инструментов анализа состояния кожи. Оценка качества на независимых данных и формальное тестирование ещё не завершены; размер и разнообразие обучающей выборки ограничены, поэтому модель может ошибаться и не охватывать все состояния кожи. Результат не заменяет консультацию дерматолога и не должен использоваться как окончательный диагноз. README указывает исследовательское и прототипное назначение, но сведения о лицензии отсутствуют.

EEYslcmn/DINOv2-Skin-Lesion-Finetuned — модель компьютерного зрения на базе DINOv2, дообученная для классификации изображений кожных поражений. В метаданных Hugging Face указано 113,2 млн параметров, библиотека Transformers и задача image-classification. Разработчик и лицензия в доступных материалах не указаны. Модель предназначена для автоматической классификации дерматологических изображений и может использоваться как компонент исследовательских прототипов, систем поддержки принятия решений и предварительного анализа изображений кожных образований. Она работает с изображениями и не предназначена для обработки текста или аудио. README не содержит сведений о датасете, классах, метриках оценки, процедурах обучения, границах применимости или результатах тестирования. Поэтому модель нельзя считать самостоятельным медицинским диагностическим инструментом; результаты требуют проверки квалифицированным специалистом. Условия лицензирования не определены в доступных данных.

Libra-v1.0 — мультимодальная модель X-iZhang для подготовки описаний рентгенограмм грудной клетки, включая раздел Findings и сравнение снимков во времени. Она объединяет визуальный энкодер RAD-DINO с языковой моделью Meditron-7B и Temporal Alignment Connector (TAC), который совмещает признаки текущих и предыдущих снимков. Модель содержит 6,6 млрд параметров, использует архитектуру LibraLlamaForCausalLM, работает через Transformers и принимает изображения и текст с контекстом до 2048 токенов; основной сценарий — генерация текста по одному или нескольким рентгеновским снимкам. Libra предназначена для создания черновиков радиологических заключений, учебных примеров и исследований автоматической генерации отчетов и выявления изменений. Она может помочь описать динамику находок, в том числе изменения затемнений, устройств и линий. Модель специализирована на рентгенограммах грудной клетки, а ее результаты требуют проверки квалифицированным специалистом. Известные ограничения включают возможные ошибки при распознавании редких патологий, недопредставленных групп пациентов и снимков, отличающихся от обучающих данных; тонкие изменения во времени могут быть пропущены. README указывает, что модель предназначена для исследований и обучения, не одобрена FDA или CE для клинического применения и не заменяет профессиональное заключение. Лицензия — Apache-2.0.

MediNote-7B — англоязычная языковая модель, разработанная Антуаном Бонне и Полем Буланже и дообученная на базе Meditron-7B для создания клинических записей по текстовым расшифровкам разговоров врача и пациента. Это плотный авторегрессионный трансформер-декодер семейства Llama с 6,6 млрд параметров и контекстом 2048 токенов. Модель принимает текст диалога и генерирует текст клинической записи. Она предназначена для экспериментов с автоматическим составлением заметок по беседе, но, согласно карточке, недостаточно надёжна для реальной клинической практики и не рекомендуется для производственного применения или решений, влияющих на людей. Модель распространяется по лицензии LLAMA 2 Community License Agreement; для кода указана лицензия MIT.

Meditron-3-70B — специализированная медицинская языковая модель, выпущенная командой LiGHT и основанная на Meta Llama 3.1 70B Instruct. Она предназначена для исследований и оценки того, как большие языковые модели могут помогать в клиническом анализе и предоставлении медицинской информации, основанной на доказательствах. Модель обучали на клинических рекомендациях, медицинских публикациях, синтетических диалогах для дифференциальной диагностики и других медицинских и общих текстовых данных. Это текстовая модель для генерации ответов; карточка указывает английский язык. Несмотря на базу Instruct, авторы сообщают, что Meditron-3 не проходила дообучение на инструкции. Модель не валидирована для медицинского применения, а её результаты не должны использоваться для диагностики или клинических решений без надлежащей проверки и регуляторного разрешения. Лицензия — Llama 3.1 Community License.

Карточка модели noureldinayman/Qweb2.5-Aloe-Beta-Finetuned-50Steps-diff-rewardfunctions на Hugging Face совпадает с карточкой noureldinayman/Qweb2.5-Aloe-Beta-Finetuned-50Steps, поэтому описание составлено по ней. Qweb2.5-Aloe-Beta-Finetuned-50Steps — дообученная автором noureldinayman разговорная языковая модель на архитектуре Qwen2.5 с 7,1 млрд параметров. Она основана на HPAI-BSC/Qwen2.5-Aloe-Beta-7B и предназначена для генерации текста в диалоге; базовая модель ориентирована на ответы на медицинские вопросы и другие задачи здравоохранения. Модель принимает текст и выдаёт текст. В метаданных указан контекст до 131 072 токенов и поддержка английского языка. Обучение проводилось с использованием Unsloth и библиотеки TRL. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или подробностей о данных и методике дообучения, поэтому пригодность ответов для клинических решений не установлена. Название указывает на 50 шагов обучения, но README это отдельно не поясняет.

SPECTRE-Large — крупная Transformer-модель для получения представлений из трёхмерных КТ-снимков, разработанная авторами проекта SPECTRE. Она предварительно обучена на открытых КТ-данных органов грудной клетки и брюшной полости с помощью самообучения и межмодального выравнивания изображений с радиологическими текстами и данными электронных медицинских карт. Модель принимает КТ-сканы в единицах Хаунсфилда и извлекает векторное представление всего исследования и признаки отдельных фрагментов; в README также описана обработка NIfTI-файлов и получение эмбеддингов через Transformers или командную строку. Представления можно использовать как основу для дообучения и оценки моделей сегментации, классификации и обнаружения аномалий на медицинских КТ-данных. Для обработки применяются оконная нормализация HU, ориентация RAS и фрагменты 128×128×64 при исходном разрешении вокселей; при необходимости данные можно пересэмплировать. Репозиторий предоставляет веса в формате safetensors и интеграцию с библиотекой Transformers. Лицензия CC BY-NC-SA 4.0 разрешает использование с атрибуцией и на условиях некоммерческого распространения производных материалов. Модель предназначена для извлечения признаков, а не заявлена как готовая система клинической диагностики; для крупных исследований могут потребоваться значительные вычислительные ресурсы.

SPIDER-skin — модель HistAI для классификации патчей гистологических изображений кожи. Она дообучена на визуальном энкодере histai/hibou-L и предназначена для распознавания патологических и тканевых классов на патчах размером 1120×1120 пикселей. Модель создана в рамках инициативы SPIDER, предоставляющей размеченные данные по патологии разных органов. Обучение проводилось на подмножестве SPIDER-skin: 159 854 центральных патча и 2 696 987 патчей с учётом контекстных областей, полученных с 3 784 предметных стёкол. В README приведены метрики для кожи: accuracy 0,940, precision 0,936 и F1 0,938. Модель подходит для автоматизированной классификации изображений в цифровой патологии; лицензия CC BY-NC 4.0 ограничивает её коммерческое использование без отдельного разрешения.