IV.4Клиническая медицина и общественное здоровье

OpenMed-ZeroShot-NER-Pathology-Small-166M — специализированная модель OpenMed для распознавания упоминаний заболеваний в биомедицинских текстах. Она построена на архитектуре GLiNER и дообучена на корпусе NCBI Disease; объём модели — 166 млн параметров согласно её названию. Основная задача — выделять сущности типа DISEASE в научной литературе и клинических текстах, в том числе для последующей нормализации к MeSH или OMIM. Модель принимает текст и возвращает распознанные сущности с метками. README заявляет возможность задавать пользовательские типы сущностей без повторного обучения, однако описанный корпус и примеры сосредоточены на заболеваниях. Среди возможных сценариев — анализ медицинских записей, поиск упоминаний заболеваний в публикациях и подготовка данных для построения биомедицинских баз знаний. README приводит F1 0,71 на тестовой выборке NCBI Disease и сообщает об улучшении относительно базовой модели. Модель предназначена для английского языка. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Заявления README о точности и применении в клинических сценариях основаны на описанной задаче распознавания заболеваний; качество на других типах сущностей и текстах отдельно не подтверждено.

Карточка модели EdgeAIMed/EdgeAIMed-NER-PharmaDetect-SuperClinical-434M на Hugging Face совпадает с карточкой OpenMed/OpenMed-NER-PharmaDetect-SuperClinical-434M, поэтому описание составлено по ней. OpenMed разработала OpenMed-NER-PharmaDetect-SuperClinical-434M — специализированную модель распознавания химических сущностей в биомедицинских текстах. Это дообученная для token classification модель на архитектуре DeBERTa V2 с 533,8 млн параметров; README указывает базовую архитектуру DeBERTa V3 Large. Модель принимает токенизированный текст и выдаёт BIO-разметку сущностей типов B-CHEM и I-CHEM. Контекст — до 512 токенов. Модель обучена на BC5CDR_CHEM и предназначена для извлечения названий химических соединений и лекарственных веществ из научной литературы и медицинских документов. Возможные сценарии — поиск препаратов в текстах, мониторинг нежелательных явлений и подготовка данных для биомедицинских графов знаний. В README приведены результаты на BC5CDR_CHEM: F1 0,9614, точность 0,9520 и полнота 0,9710; эти показатели относятся к указанному набору данных и не гарантируют качество на иных типах текстов. Карточка указывает английский язык. Лицензия — Apache-2.0.

amin/medical_embedding_1 — англоязычная модель эмбеддингов на базе Sentence Transformers, дообученная разработчиком на abhinand/MedEmbed-small-v0.1 для работы с медицинскими текстами. Она кодирует предложения и абзацы в плотные векторы размерности 384; сходство между ними можно оценивать по косинусной близости. Архитектура включает BERT, пулинг CLS-токена и нормализацию. Максимальная длина входа — 512 токенов, библиотека — sentence-transformers. Модель предназначена для семантического поиска медицинских текстов и сравнения их по смыслу. Её также можно применять для поиска перефразировок, кластеризации и классификации текстов с использованием полученных эмбеддингов. В README приведена оценка сходства на неназванном наборе данных, однако этих результатов недостаточно, чтобы судить о качестве в конкретных прикладных сценариях. Лицензия в предоставленных данных не указана.

Это англоязычная модель для распознавания упоминаний симптомов в клинических текстах. Её разработала команда NLP4BIA Барселонского суперкомпьютерного центра для подзадачи MultiClinNER в рамках MultiClinAI. Модель размечает токены по схеме BIO метками O, B-SYMPTOM и I-SYMPTOM. Модель основана на BERT-архитектуре BiomedBERT, дообученной для классификации токенов; размер составляет 136,7 млн параметров, контекст — до 512 токенов. Она предназначена для извлечения симптомов из клинических записей и медицинских текстов на английском языке. Для воспроизведения опубликованных результатов важно использовать предобработку с предварительным разбиением текста на токены и выравниванием смещений; при обычной токенизации на границах пунктуации предсказания могут отличаться. На тестовом наборе MultiClinNER для симптомов строгая F1 составила 0,6533, а символьная F1 — 0,7516. Авторы не оценивали систематические смещения модели и предупреждают о возможных нежелательных искажениях. Лицензия — CC BY 4.0.

OpenMed разработала OpenMed-NER-AnatomyDetect-SuperMedical-355M — дообученную модель RoBERTa для распознавания анатомических сущностей в биомедицинских текстах. Она выделяет названия анатомических структур и частей тела, присваивая токенам метки B-Anatomy и I-Anatomy. Модель предназначена для извлечения анатомических упоминаний из медицинских записей, научных публикаций и других документов здравоохранения. Её можно применять для клинического анализа текста, поиска по биомедицинской литературе и построения баз знаний. README сообщает F1, precision и recall на уровне 0,90 и accuracy 0,98 на наборе ANATOMY. Модель основана на архитектуре RoBERTa; в метаданных указано 454,1 млн параметров и контекст до 514 токенов. Она принимает токенизированный текст и выдаёт BIO-разметку сущностей. Указана лицензия Apache-2.0. Модель обучена на анатомической разметке, поэтому не предназначена для извлечения всех типов медицинских сущностей: например, README описывает метки только для анатомии. Показатели качества приведены для ANATOMY и сами по себе не гарантируют такую же точность на других данных или в клинической практике.

OpenMed разработала OpenMed-NER-AnatomyDetect-TinyMed-135M — модель для распознавания анатомических сущностей в биомедицинских и клинических текстах. Она выделяет названия анатомических структур и частей тела, присваивая токенам BIO-метки B-Anatomy и I-Anatomy. Модель построена на DistilBERT, дообученном на корпусе ANATOMY, и рассчитана на работу с последовательностями до 512 токенов. README сообщает F1 и точность 0,87 и accuracy 0,97 на оценке модели. Модель предназначена для извлечения анатомических упоминаний из медицинской документации и научной литературы, а также для последующего анализа и построения биомедицинских баз знаний. Она принимает токенизированный текст и выдаёт разметку сущностей. Карточка описывает англоязычную поддержку. Лицензия — Apache-2.0. Оценки и заявление о готовности к производству приведены в README, но результаты для других корпусов и языков не заявлены.

OpenMed-NER-AnatomyDetect-TinyMed-66M — специализированная модель OpenMed для распознавания анатомических сущностей в биомедицинских текстах. Это дообученная версия DistilBERT с архитектурой DistilBertForTokenClassification, примерно на 66 млн параметров; она принимает токенизированный текст и возвращает BIO-разметку сущностей типов B-Anatomy и I-Anatomy. Контекст модели — до 512 токенов. Модель предназначена для извлечения названий органов, частей тела, анатомических структур и физиологических систем из медицинских записей и научной литературы. Её можно применять для клинического анализа текстов, поиска анатомических терминов в публикациях и построения медицинских баз знаний. В README приведены показатели на наборе ANATOMY: F1 0,87, точность 0,87 и полнота 0,88; заявленные сценарии включают и задачи, для которых одного распознавания анатомических сущностей может быть недостаточно, например выявление лекарственных взаимодействий. Модель ориентирована на английский язык. Лицензия — Apache-2.0.

OpenMed разработала эту специализированную модель распознавания химических сущностей в биомедицинских текстах. Это дообученный ModernBERT для классификации токенов: модель находит названия химических соединений и веществ и размечает их тегами B-CHEM и I-CHEM. В README указана базовая архитектура BioClinical-ModernBERT-base, а среди областей применения — клинические записи, научные статьи и медицинские документы. Модель предназначена для извлечения упоминаний химических соединений и лекарств, в том числе для анализа литературы, фармакологии и клинических данных. В README приведены результаты на BC4CHEMD: F1 0,93, точность 0,92 и полнота 0,94. Архитектура ModernBERT, размер — 149 млн параметров, контекст — до 8192 токенов. Поддерживается английский язык. Модель распространяется по лицензии Apache-2.0. Распознавание может быть менее надёжным на текстах, отличающихся от биомедицинских материалов и данных BC4CHEMD; результаты README не гарантируют качество для конкретной клинической системы или набора данных.

OpenMed-NER-ChemicalDetect-ModernMed-149M — дообученная OpenMed модель семейства ModernBERT для распознавания химических сущностей в биомедицинских текстах. Она выполняет токен-классификацию и выделяет упоминания соединений и веществ тегами B-CHEM и I-CHEM. Модель содержит 149 млн параметров, принимает текст и поддерживает контекст до 8192 токенов. Модель предназначена для извлечения химических названий из научных публикаций, клинических записей и других медицинских документов. Возможные сценарии включают извлечение лекарств из историй пациентов, поиск сведений о химических веществах в литературе и подготовку данных для анализа взаимодействий и построения биомедицинских графов знаний. В карточке заявлены F1 0,92, точность 0,91 и полнота 0,93 на BC4CHEMD; результаты зависят от текста и сценария применения. Обучение указано на корпусе BC4CHEMD. Модель рассчитана на английский язык, доступна в формате Safetensors и интегрируется с Transformers. Лицензия — Apache-2.0.

OpenMed-NER-ChemicalDetect-MultiMed-568M — модель OpenMed для распознавания химических сущностей в биомедицинском тексте. Это дообученный трансформер XLM-RoBERTa для классификации токенов с 658,7 млн параметров и контекстом до 8 194 токенов. Модель выделяет названия химических соединений и веществ BIO-метками B-CHEM и I-CHEM. Модель предназначена для извлечения химических сущностей из научной биомедицинской литературы, клинических текстов и медицинских документов. Это может служить основой для поиска упоминаний препаратов, мониторинга нежелательных явлений и анализа литературы по разработке лекарств. В карточке заявлены обучение на корпусе BC4CHEMD и F1 0,95, однако описание не приводит подробностей независимой проверки этих результатов. Модель принимает токенизированный текст и выдаёт метки сущностей для токенов. В метаданных указан английский язык. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. В README архитектура названа bge-m3, но метаданные указывают XLM-RoBERTa, поэтому архитектурой здесь считается XLM-RoBERTa.

OpenMed-NER-DiseaseDetect-ModernMed-149M — дообученная OpenMed модель на базе ModernBERT-base для распознавания названий заболеваний в биомедицинском тексте. Она выполняет token classification и размечает найденные сущности тегами BIO: B-DISEASE и I-DISEASE. Модель содержит 149 млн параметров, принимает токенизированный текст и рассчитана на контекст до 8192 токенов. Модель обучена на наборе BC5CDR-Disease, содержащем аннотации заболеваний в рефератах PubMed. Она предназначена для извлечения заболеваний из медицинских записей, научных публикаций и других биомедицинских документов, например для поиска по литературе и построения биомедицинских баз знаний. В карточке указаны F1 0,86, точность 0,85 и полнота 0,86 на BC5CDR-Disease. Модель поддерживает английский язык и распространяется по лицензии Apache-2.0. Она извлекает только сущности заболеваний; качество на других типах текстов и вне целевого набора данных может отличаться. Результаты не заменяют проверку специалистом и не являются медицинским диагнозом.

OpenMed разработала OpenMed-NER-DiseaseDetect-PubMed-v2-109M — специализированную модель для распознавания упоминаний заболеваний в биомедицинских текстах. Это дообученная модель семейства BERT для классификации токенов, основанная на BiomedNLP-BiomedBERT-base-uncased-abstract. Она размечает названия заболеваний тегами BIO: B-DISEASE и I-DISEASE. Модель предназначена для извлечения заболеваний из аннотаций PubMed и других биомедицинских текстов, включая медицинские записи и исследовательские документы. Её можно применять для поиска заболеваний в научной литературе, биомедицинского курирования и построения медицинских баз знаний. В README приведены оценки на BC5CDR-Disease: F1 0,90, точность 0,89 и полнота 0,91. Архитектура имеет 136,7 млн параметров и поддерживает контекст до 512 токенов; модель принимает токенизированный текст и выдаёт BIO-разметку. Модель распространяется по лицензии Apache-2.0 и интегрируется с Transformers. Обучение описано для BC5CDR-Disease, поэтому качество на других типах клинических текстов и за пределами этой предметной области может отличаться; заявленные метрики относятся к указанному корпусу.

OpenMed-NER-DiseaseDetect-SnowMed-568M — модель OpenMed для распознавания упоминаний заболеваний в биомедицинских текстах. Это дообученная модель классификации токенов на архитектуре XLM-RoBERTa, содержащая около 658,7 млн параметров и принимающая токенизированный текст. В карточке указана базовая архитектура snowflake-arctic-embed-l-v2.0; метаданные отдельно указывают XLM-RoBERTa. Модель обучена на наборе BC5CDR-Disease и предсказывает BIO-метки B-DISEASE и I-DISEASE. Её можно применять для извлечения названий болезней из научных публикаций, медицинских записей и других биомедицинских документов, а также как компонент систем поиска и анализа медицинских сведений. Для набора BC5CDR в карточке приведены F1 0,87, точность 0,86 и полнота 0,89. Контекст модели — до 8194 токенов. Карточка указывает английский язык и лицензию Apache-2.0. Результаты на BC5CDR не гарантируют аналогичного качества на клинических записях или текстах из других областей; модель распознаёт упоминания заболеваний, а не ставит диагнозы.

OpenMed-NER-PathologyDetect-MultiMed-568M — модель OpenMed для распознавания упоминаний заболеваний в биомедицинском тексте. Она дообучена для задачи NER на корпусе NCBI Disease и выдаёт метки BIO для сущностей типов B-Disease и I-Disease. По метаданным, модель использует архитектуру XLM-RoBERTa, содержит 658,7 млн параметров и поддерживает контекст до 8194 токенов. README сообщает F1 0,88, точность 0,87 и полноту 0,89 на NCBI Disease. Модель предназначена для извлечения названий заболеваний из научных публикаций и медицинских документов, а также для последующего поиска и анализа таких упоминаний. Карточка приводит дополнительные сценарии — мониторинг нежелательных явлений, анализ литературы и построение биомедицинских графов знаний, однако описанные метки относятся к заболеваниям, а не к лекарствам или химическим веществам. Данные о поддерживаемом языке в карточке и метаданных указывают на английский. Модель распространяется по лицензии Apache-2.0.

OpenMed-NER-PathologyDetect-PubMed-v2-109M — модель OpenMed для распознавания упоминаний заболеваний в биомедицинском тексте. Это дообученная модель архитектуры BERT для классификации токенов на основе BiomedNLP-BiomedBERT-base-uncased-abstract; в метаданных указано 136,7 млн параметров и контекст до 512 токенов. Модель принимает токенизированный текст и возвращает BIO-разметку: B-Disease и I-Disease. Модель предназначена для извлечения названий заболеваний из медицинских записей, научных публикаций и других медицинских документов, а также для поиска упоминаний заболеваний в корпусах биомедицинской литературы. В README приведены результаты на наборе NCBI Disease: F1 0,91, точность 0,89 и полнота 0,93. Карточка указывает английский язык и совместимость с экосистемой Hugging Face Transformers. Лицензия — Apache-2.0.

OpenMed-NER-PharmaDetect-ElectraMed-33M — модель OpenMed для распознавания химических сущностей в биомедицинских текстах. Это дообученная трансформерная модель семейства BERT с головой классификации токенов, содержащая 40 млн параметров и принимающая токенизированный текст. Она присваивает токенам BIO-метки B-CHEM и I-CHEM, чтобы выделять названия химических соединений, лекарств и терапевтических веществ. Контекст модели составляет до 512 токенов. Модель предназначена для извлечения химических сущностей из медицинских записей, научных публикаций и других биомедицинских документов. Такие результаты можно использовать для мониторинга нежелательных реакций, поиска лекарственных взаимодействий, анализа литературы и построения биомедицинских баз знаний. В README указаны результаты на BC5CDR-Chem: F1 0,94, точность 0,93 и полнота 0,95; эти показатели относятся к описанной оценке и не гарантируют такое же качество на других данных. Модель рассчитана на английские тексты и обучена на наборе BC5CDR_CHEM. Распространяется по лицензии Apache-2.0.

OpenMed разработала специализированную модель распознавания химических сущностей в биомедицинском тексте. Это дообученный трансформер XLM-RoBERTa с архитектурой XLMRobertaForTokenClassification и 658,7 млн параметров; он принимает токенизированный текст и размечает химические упоминания тегами B-CHEM и I-CHEM. Модель предназначена для извлечения названий лекарств и соединений из медицинских записей, научных публикаций и других биомедицинских документов. Модель обучена на BC5CDR_CHEM и рассчитана на задачи биомедицинского NER, включая поиск химических соединений для фармаконадзора, анализа литературы и построения биомедицинских графов знаний. В карточке приведены показатели на наборе BC5CDR-Chem: F1 0,94, точность 0,94 и полнота 0,95. Репозиторий содержит веса в формате safetensors; указанная лицензия — Apache-2.0. Метаданные указывают английский язык и контекст до 8194 токенов. Результаты на BC5CDR-Chem не гарантируют такую же точность на других типах документов или вне тематического распределения обучающих данных.

Gaykar/all-MiniLM-L6-medical-rag — дообученная модель Sentence Transformers на базе sentence-transformers/all-MiniLM-L6-v2, созданная для семантического поиска по медицинским текстам и формирования контекста для RAG. Модель кодирует предложения и абзацы в плотные векторы размерностью 384; для сравнения используется косинусное сходство. Архитектура включает BERT-энкодер, mean pooling и нормализацию. В README указана максимальная длина последовательности 256 токенов, а метаданные каталога — контекст до 512 токенов. Модель предназначена для поиска релевантных медицинских фрагментов по вопросам, сравнения текстов, поиска перефразировок и кластеризации. Обучающий набор содержит 6 460 пар «вопрос—ответ», связанных с медицинской тематикой, включая опухоли мозга и здоровье человека; заявленные оценки retrieval на отдельном наборе включают cosine accuracy@1 0,823 и @5 0,9171. Язык модели в карточке явно не указан; базовая модель описана каталогом как англоязычная. Лицензия в предоставленных данных не приведена. Модель не предназначена для клинической диагностики и коммерческого распространения согласно README.

Модель разработана командой NLP4BIA Барселонского суперкомпьютерного центра для распознавания упоминаний медицинских процедур в клинических текстах на нидерландском языке. Это дообученная для NER модель RoBERTa на основе CLTL/MedRoBERTa.nl с 153,2 млн параметров и контекстом до 514 токенов. Она выполняет токен-классификацию по BIO-разметке: O, B-PROCEDURE и I-PROCEDURE. Модель предназначена для извлечения упоминаний процедур из клинических записей и электронных медицинских карт. Для воспроизведения заявленных результатов рекомендуется подавать предварительно токенизированный текст и корректно сопоставлять предсказания исходным смещениям; для длинных документов предусмотрен шаг перекрытия stride=128. В оценке на нидерландском тестовом наборе MultiClinNER строгий F1 составил 0,4968, а символьный F1 — 0,6633. В карточке отмечено, что смещения модели не оценивались. Модель распространяется по лицензии CC BY 4.0; при её использовании следует учитывать возможные искажения и самостоятельно снижать связанные с применением риски.

OpenMed-NER-DiseaseDetect-ElectraMed-560M — модель OpenMed для распознавания названий заболеваний в биомедицинских текстах. Она выполняет token classification и размечает упоминания заболеваний тегами B-DISEASE и I-DISEASE, обучена на наборе BC5CDR-Disease. Архитектура в метаданных указана как XLM-RoBERTa для классификации токенов; размер — 658,7 млн параметров, максимальный контекст — 514 токенов. Модель предназначена для извлечения заболеваний из научных публикаций и медицинских документов, например для поиска по литературе и структурирования биомедицинских данных. README сообщает F1 0,87 на BC5CDR-Disease. Поддерживается английский язык, файлы представлены в формате safetensors. Лицензия — Apache-2.0.

OpenMed разработала эту специализированную модель для распознавания названий заболеваний в биомедицинских текстах. Это дообученная модель DistilBERT на 65 млн параметров для token classification: она присваивает токенам метки B-DISEASE и I-DISEASE, которые можно объединить в упоминания заболеваний. Модель обучена на наборе BC5CDR-Disease и рассчитана на английский текст; максимальная длина контекста составляет 512 токенов. Модель подходит для извлечения заболеваний из научных публикаций и медицинских записей, а также для биомедицинского поиска, анализа литературы и подготовки данных для медицинской аналитики. В README приведены результаты на BC5CDR-Disease: F1 0,88, точность 0,86 и полнота 0,89. Эти показатели относятся к указанному набору данных и не гарантируют такую же точность на других источниках или клинических сценариях. Модель распространяется по лицензии Apache-2.0. Она распознаёт только сущности заболеваний, поэтому её выводы не следует трактовать как диагноз или как полноценное извлечение лекарств, взаимодействий и других типов сущностей.

OpenMed-NER-PathologyDetect-PubMed-335M — специализированная модель OpenMed для распознавания названий заболеваний в биомедицинских текстах. Это дообученная модель семейства BERT для классификации токенов, основанная на BiomedNLP-BiomedBERT-large-uncased-abstract. Она выделяет упоминания заболеваний с BIO-метками B-Disease и I-Disease. Модель предназначена для извлечения заболеваний из аннотаций PubMed, научной литературы и клинических документов, а также для поиска упоминаний болезней в медицинских записях и биомедицинского анализа текста. Она обучена на корпусе NCBI Disease; в README приведены значения F1 0,9086, точности 0,8913 и полноты 0,9266 для оценки на NCBI Disease. Архитектура содержит около 433,9 млн параметров, максимальная длина контекста — 512 токенов; модель принимает текст и выдаёт метки токенов. Указана поддержка английского языка. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Она выявляет сущности заболеваний, но сама по себе не выполняет диагностику, нормализацию понятий или извлечение лекарств; качество на других жанрах и языках README не подтверждает.

OpenMed-NER-PathologyDetect-TinyMed-65M — модель OpenMed для распознавания упоминаний заболеваний в биомедицинских текстах. Это дообученная для классификации токенов модель DistilBERT на основе distilbert-base-cased, обученная на корпусе NCBI Disease. Она размечает фрагменты названий заболеваний тегами B-Disease и I-Disease и рассчитана на тексты медицинских документов и научных публикаций. Модель поддерживает английский язык, принимает токенизированный текст и выдаёт BIO-разметку; длина контекста — до 512 токенов. В репозитории указаны safetensors и лицензия Apache-2.0. Модель можно использовать для извлечения названий заболеваний из медицинских записей, анализа биомедицинской литературы и подготовки данных для последующей аналитики или построения баз знаний. В README приведены показатели на NCBI Disease: F1 0,86, точность 0,84 и полнота 0,87. Результаты относятся к указанному набору данных; качество на других типах текстов может отличаться. Модель распознаёт только сущности заболеваний и сама по себе не выполняет нормализацию понятий или постановку диагноза.

OpenMed-NER-PharmaDetect-TinyMed-135M — модель OpenMed для распознавания химических сущностей в биомедицинском тексте. Это дообученный трансформер DistilBERT для токенной классификации: он присваивает токенам BIO-метки B-CHEM и I-CHEM, обозначающие границы химических соединений и лекарственных веществ. В README в качестве базовой архитектуры указана distilbert-base-multilingual-cased; модель работает с текстом и имеет контекст длиной 512 токенов. Модель обучена на BC5CDR-Chem и рассчитана на извлечение химических соединений из научных публикаций и медицинских документов. Её можно использовать для поиска лекарств в медицинских записях, мониторинга нежелательных явлений, анализа литературы для разработки лекарств и подготовки данных для биомедицинских графов знаний. README приводит F1 0,95, точность 0,94, полноту 0,95 и accuracy 0,98 на BC5CDR-Chem; эти показатели относятся к указанному корпусу. Модель совместима с Transformers и распространяется в формате safetensors. Лицензия — Apache-2.0. Результаты на другом типе текста могут отличаться: метки ориентированы на химические сущности, а контекст ограничен 512 токенами.

SinaReason-Magistral-2509 — медицинская инструкция-модель, дообученная yasserrmd на базе mistralai/Magistral-Small-2509. Она предназначена для пошагового анализа клинических случаев и выдачи структурированного заключения; модель формирует рассуждение в тегах <think> перед ответом. Базовая модель — плотная мультимодальная архитектура Mistral3 размером 24 млрд параметров. Метаданные указывают задачу image-text-to-text, поддержку изображений и английский язык; карточка описывает применение преимущественно для текстовых клинических виньеток и не сообщает длину контекста. Модель ориентирована на учебную поддержку студентов-медиков, исследователей и клиницистов при разборе диагностических сценариев, включая оценку неотложных состояний. Автор сообщает о качественной проверке на 30 медицинских запросах, но это не заменяет широкую независимую оценку. Лицензия Apache-2.0. Карточка прямо предупреждает, что модель не является медицинским устройством и не предназначена для самостоятельной диагностики пациентов; ответы могут быть ошибочными или предвзятыми и требуют проверки специалистом.

Модель разработана командой NLP4BIA Барселонского суперкомпьютерного центра и дообучена на корпусе MedProcNER на базе испаноязычной биомедицинской RoBERTa PlanTL-GOB-ES/bsc-bio-ehr-es. Это модель классификации токенов для извлечения упоминаний медицинских процедур из испанских клинических текстов и электронных медицинских карт. Архитектура — RoBERTa с 151,8 млн параметров; длина контекста — 514 токенов. Модель принимает текст и возвращает разметку токенов. Перед подачей рекомендуется предварительно разбивать текст на слова, как при обучении, поскольку иной способ токенизации может снизить качество. Авторы не оценивали систематически встроенные смещения; лицензия — CC BY 4.0.

Модель разработана подразделением Text Mining Unit (TeMU) Барселонского суперкомпьютерного центра (BSC) и предназначена для распознавания фармацевтических сущностей в испанских биомедицинских и клинических текстах. Это дообученная для токенной классификации модель RoBERTa на 151,8 млн параметров, основанная на bsc-bio-ehr-es, предварительно обученной на испанском биомедицинском корпусе объёмом 1,1 млрд токенов. Модель выделяет в тексте вещества, соединения и белки в задаче PharmaCoNER. Для указанной оценки на наборе данных PharmaCoNER достигнута F1-мера 0,8913. Контекст составляет до 514 токенов; модель принимает текст и возвращает метки сущностей для его токенов. В карточке отмечено, что смещения модели отдельно не оценивались; авторы предупреждают о возможных смещениях и нежелательных искажениях в данных и результатах. Лицензия — Apache 2.0.

blaze999/Medical-NER — англоязычная модель Saketh Mattupalli для распознавания медицинских сущностей в тексте. Это DeBERTa-v3-base, дообученная на наборе PubMED для задачи классификации токенов; модель распознаёт 41 тип медицинских сущностей. Она предназначена для извлечения медицинских терминов и упоминаний из текстов, например научных публикаций и других медицинских документов. Модель содержит 211,6 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метки для токенов. Доступна в формате Safetensors и распространяется по лицензии MIT. Карточка указывает на специализацию для медицинского NER; качество на текстах вне обучающих данных и перенос на другие языки не подтверждены.

Модель разработана командой NLP4BIA Барселонского суперкомпьютерного центра для распознавания упоминаний медицинских процедур в клинических текстах на итальянском языке. Это дообученная для токенной классификации BERT-модель dbmdz/bert-base-italian-xxl-cased размером 137,9 млн параметров; она размечает токены по схеме BIO метками O, B-PROCEDURE и I-PROCEDURE. Контекст модели составляет 512 токенов. Модель предназначена для извлечения названий процедур из клинических записей и электронных медицинских карт. На тестовом наборе MultiClinNER для итальянских документов strict F1 составил 0,6545, а символьный F1 — 0,7927. Для соответствия обучению важна предварительная токенизация слов и знаков пунктуации и последующее выравнивание смещений; токенизация обычного сырого текста может менять границы распознанных сущностей. В карточке указана лицензия CC BY 4.0. Авторы отмечают, что систематическая оценка смещений не проводилась; модель предназначена для поддержки извлечения сущностей и требует проверки результатов в целевом клиническом сценарии.

nerel-bio-RuBioBERT-base — модель для классификации токенов, созданная дообучением RuBioBERT разработчиком ekaterinatao. Архитектура — BERT для классификации токенов; размер составляет 205,5 млн параметров, максимальный контекст — 512 токенов. Модель предназначена для присвоения меток отдельным токенам во входном тексте; название указывает на биомедицинскую область и NER, однако карточка не раскрывает набор меток и обучающие данные. В README приведены результаты оценки: F1 0,8132, точность 0,8107, полнота 0,8157 и accuracy 0,8721. Эти показатели относятся к указанному набору оценки, детали которого не описаны. Модель представлена в формате safetensors; лицензия в доступных данных не указана.