IV.4Клиническая медицина и общественное здоровье

CeLLaTe-ner-2class-tapt-pubmedbert-tokenizer-adapted-spanmask — англоязычная модель для классификации токенов, разработанная Mardiyyah. Это дообученная на наборе OTAR3088/CeLLaTe-ner-2class-iob_final модель CeLLaTe-tapt-pubmedbert-tokenizer-adapted-spanmask на архитектуре BERT; она предназначена для разметки последовательностей в биомедицинских текстах. Модель содержит 138,2 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метки токенов. На оценочном наборе указаны micro F1 0,7588 и accuracy 0,9839. Распространяется по лицензии Apache-2.0.

ERNIE-health-zh — китайская биомедицинская языковая модель семейства ERNIE, предварительно обученная на обезличенных диалогах между врачами и пациентами, электронных медицинских картах и учебниках. Репозиторий nghuyong содержит версию для PyTorch, преобразованную из официальной модели ERNIE для PaddlePaddle; в README упомянута проверка точности преобразования. Модель предназначена для извлечения признаковых представлений китайского медицинского текста и может служить основой для последующих задач обработки медицинских текстов. Архитектура — плотная ErnieModel с 12 слоями, размером скрытого представления 768 и 12 головами внимания; число параметров — 130,6 млн, контекст — до 512 токенов. Модель ориентирована на китайский язык и медицинский текст. Лицензия в предоставленных данных не указана.

OpenMed разработала специализированную модель распознавания именованных сущностей для геномики и клинических текстов. Это дообученный ModernBERT с архитектурой ModernBertForTokenClassification, 149 млн параметров и контекстом до 8192 токенов. Модель принимает токенизированный текст и выдаёт BIO-разметку; карточка описывает распознавание сущностей типа Cell-line-name и указывает датасет GELLUS. Основной язык карточки — английский. Модель предназначена для извлечения упоминаний биомедицинских сущностей из медицинских записей и научной литературы, а также для геномного текстового майнинга и построения баз знаний. В README приведены результаты на GELLUS: F1 0,97, точность 1,00 и полнота 0,95; эти показатели относятся к указанному набору данных. Распространяется под лицензией Apache-2.0.

psgrghvuo/pubmedbert_bc5cdr — дообученная модель на основе microsoft/BiomedNLP-PubMedBERT-base-uncased-abstract-fulltext для распознавания именованных сущностей в биомедицинских текстах из области химических веществ и заболеваний. Она использует архитектуру BERT с классификацией токенов и предназначена, в частности, для извлечения упоминаний химических веществ и заболеваний из научных публикаций. Модель содержит 136,7 млн параметров, принимает текстовые фрагменты длиной до 512 токенов и работает с английским языком. На оценочной выборке BC5CDR модель показала точность 0,8882, полноту 0,9258 и F1 0,9066. Веса представлены в формате PyTorch. Лицензия MIT разрешает использование и модификацию в соответствии с её условиями.

Hemgg/Facemask-detection — дообученная модель Vision Transformer для классификации изображений с целью обнаружения масок на лицах. Она основана на google/vit-base-patch16-224-in21k и содержит 113,2 млн параметров. Модель принимает изображения и выдаёт классы; в карточке приведены результаты оценки: accuracy 0,9953 и loss 0,0239. Модель подойдёт для классификации изображений лиц по наличию маски, например, при анализе фотографий или видеокадров после извлечения отдельных изображений. Данные об используемом датасете и перечне классов не приведены. Распространяется по лицензии Apache-2.0.

HyperCLOVA X SEED Think 14B Success-Consolidation K/R/C — производная плотная языковая модель на 14,1 млрд параметров, созданная на основе naver-hyperclovax/HyperCLOVAX-SEED-Think-14B. Разработчик дообучил адаптеры LoRA для проекций внимания v_proj и o_proj на 836 примерах корейских задач и объединил их с базовой моделью методом TIES. Модель рассчитана на генерацию текста и диалоговые сценарии, включая ответы с обоснованием в формате «ответ, затем аргументы», для корейских задач знаний и рассуждения. Контекст модели — до 131 072 токенов. В README приведена локальная оценка на четырёх осях: эта версия превзошла родственную версию с другими целевыми проекциями на трёх осях и обе сравниваемые модели в среднем. Автор предупреждает, что такие локальные оценки ненадёжно предсказывают результат на K-AI leaderboard; решающей проверкой должна быть оценка на этом бенчмарке. Публичные тестовые данные в обучении не использовались. Репозиторий содержит веса BF16 в формате safetensors; лицензия указана как other, поэтому условия использования следует сверять с лицензией базовой модели и материалами репозитория.

OpenMed-NER-PharmaDetect-BigMed-560M — модель OpenMed для распознавания химических сущностей в биомедицинских текстах. Это дообученная для NER модель на основе XLM-RoBERTa; метаданные указывают 658,7 млн параметров, контекст до 514 токенов и формат safetensors. Модель принимает токенизированный текст и выдаёт BIO-разметку сущностей типов B-CHEM и I-CHEM. Модель предназначена для извлечения названий химических соединений и лекарств из научных публикаций, клинических записей и медицинских документов. Она может быть частью систем мониторинга нежелательных реакций, поиска сведений о препаратах и построения биомедицинских баз знаний. В README заявлены результаты на BC5CDR-Chem: F1 0,95, точность 0,94 и полнота 0,96; эти показатели относятся к указанному набору данных и не гарантируют такое же качество на других текстах. В карточке указана лицензия Apache-2.0. Заявленная специализация — химические сущности из BC5CDR-Chem; она не подтверждает распознавание других типов биомедицинских сущностей. Язык карточки и датасета — английский, поэтому применимость к русскоязычным текстам не установлена.

Compassion in Machine Learning подготовила эту плотную авторегрессионную модель семейства Qwen3 с 7,6 млрд параметров как продолжение предобучения Qwen/Qwen3-8B-Base на корпусе исследовательских документов MedAI. Это самостоятельные веса BF16 с контекстом до 32 768 токенов; адаптер PEFT для загрузки не требуется. Модель предназначена для генерации текста и адаптации к работе с материалами медицинских исследований. Обучение выполнялось методом continued pre-training с LoRA на слоях внимания и MLP, после чего адаптер был объединён с базовыми весами. Модель поддерживает текстовый ввод и вывод; метаданные указывают английский язык. В карточке приведён результат проверки на отложенной выборке, но нет независимой оценки качества для клинического применения. Лицензия — Apache-2.0.

Это англоязычная модель BERT для биомедицинских текстов, разработанная ajitrajasekharan и предварительно обученная с нуля на корпусах PubMed, клинических исследований и небольшой части BookCorpus. Модель использует регистрозависимый токенизатор с пользовательским словарём, содержит 432,3 млн параметров и принимает последовательности длиной до 512 токенов. Основная задача модели — предсказывать замаскированные токены. В README также описан подход к извлечению именованных сущностей без дополнительного дообучения: предсказания модели объединяют с BERT base cased, чтобы выявлять 69 подтипов сущностей в 17 группах. Это описанный сценарий использования, а не отдельная задача из pipeline_tag. Модель распространяется в формате PyTorch по лицензии MIT. Предсказания fill-mask могут включать частотные слова и пунктуацию, не содержащие сведений о сущностях; в описанном подходе такие варианты фильтруются. Для NER в README указана схема ансамблирования с другой моделью.

CeLLaTe-ner-2class-bioformer16l-baseline — англоязычная модель распознавания сущностей в тексте, созданная дообучением bioformers/bioformer-16l на наборе OTAR3088/CeLLaTe_V3.2_contracted_ent_IOB. Это плотная BERT-модель с головой классификации токенов, содержащая 50,3 млн параметров; длина контекста — 1024 токена. Модель предназначена для разметки токенов и извлечения сущностей в текстах, соответствующих обучающему набору. В карточке приведены результаты на оценочной выборке: F1 0,7766, точность 0,8151, полнота 0,7415 и accuracy 0,9825. Лицензия — Apache-2.0.

CeLLaTe-ner-3class-pubmedbert-tokenizer-adapted-spanmask — англоязычная BERT-модель Mardiyyah для классификации токенов в биомедицинских текстах. Она дообучена на наборе OTAR3088/CeLLaTe-ner-3class-iob_final поверх Mardiyyah/CeLLaTe-tapt-pubmedbert-tokenizer-adapted-spanmask и рассчитана на распознавание сущностей с разметкой IOB для трёх классов. Модель содержит 138,2 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метки токенов. На указанной в карточке оценочной выборке достигнуты micro F1 0,7488 и accuracy 0,9823. Доступна по лицензии Apache-2.0.

Synthetic PHI Detector — модель Stanford AIMI, дообученная на синтетических клинических шаблонах, полученных из Synthea, для токенной классификации медицинских сущностей. Она размечает три типа сущностей: номера медицинских записей, диагнозы и лекарственные препараты; метки BIO задаются в конфигурации модели. Модель построена на BERT, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Она предназначена для поиска клинической информации, требующей проверки при обезличивании медицинских документов. В описанном наборе из 5997 примеров заявлен строгий F1 1,0 для каждого типа и в целом, однако синтетические шаблоны не охватывают все форматы документов, учреждений и идентификаторов. Возможны пропуски и ложные срабатывания; результат не гарантирует соответствие требованиям и требует человеческой проверки и дополнительных средств контроля. Сведения о лицензии в предоставленных источниках отсутствуют.

Модель Melih Uzunoğlu — дообученная версия YOLOv11 для обнаружения падений людей на изображениях и видеокадрах. Она предназначена для мониторинга безопасности в учреждениях ухода за пожилыми людьми, больницах и на промышленных объектах, в том числе для систем оповещения в реальном времени. Модель построена на Ultralytics YOLOv11, использует веса PyTorch и обучалась на датасете Roboflow; карточка указывает три класса состояний, но не приводит их названия. Модель может служить компонентом системы видеонаблюдения, обнаруживающим людей в состоянии падения. Автор позиционирует её для образовательных и исследовательских целей и рекомендует не полагаться на неё как на единственную основу критически важных систем безопасности. Распространяется по лицензии AGPL-3.0.

Модель MuhamPatel — дообученная языковая модель семейства Llama для генерации текста. Она создана на базе unsloth/llama-3-8b-bnb-4bit с использованием Unsloth и библиотеки TRL; число параметров составляет 7,5 млрд, архитектура — плотная LlamaForCausalLM, формат весов — Safetensors. Контекст модели — до 8192 токенов. В названии заявлена медицинская специализация, поэтому модель может быть полезна для генерации медицинских текстов и ответов на вопросы в этой области. README не приводит конкретных медицинских сценариев, данных обучения или оценок качества, поэтому пригодность для клинических решений не подтверждена. Модель лицензирована по Apache-2.0.

Reasoning-Medical-27B — мультимодальная модель EpistemeAI для медицинских рассуждений. Это дообученная на базе unsloth/Qwen3.6-27B плотная причинная языковая модель с визуальным энкодером на 27 млрд параметров. В карточке заявлено обучение на 370 тыс. примеров вопросов и ответов с пошаговыми рассуждениями; модель поддерживает диалоги, работу с инструментами и анализ изображений. Контекст составляет 262 144 токена с заявленной возможностью расширения до 1 010 000 токенов. Модель предназначена для вопросов по профессиональной медицине, медицинской генетике, биологии и медицине университетского уровня, а также для анализа медицинских изображений. В карточке указана точность 93% на MedQA в двухвыборочном режиме, но сравнение не является стандартизированным, а результат не подтверждает клиническую пригодность. Ответы могут быть ошибочными или вводящими в заблуждение; их необходимо независимо проверять. Лицензия — Apache-2.0. Модель не следует использовать для диагностики, ведения пациентов или принятия лечебных решений.

WavLM Base+ French Italian Phonemizer — модель HugoFara для распознавания французской и итальянской речи с выводом произнесённых слов в фонетической транскрипции IPA. Это дообученная на Common Voice 17.0 модель WavLM Base+ с CTC-классификатором; число параметров — 113,3 млн. На вход подаются аудио и код языка, а для пакетной обработки с дополнением аудиозаписей — также маска внимания. Модель предназначена, в частности, для массовой транскрипции аудиоданных в клинических сценариях. Она не использует языковую модель, поэтому реже подменяет услышанное ожидаемыми словами. В README сообщается о PER около 10% на тестовой части Common Voice 17.0; разработка продолжается, а обучающие данные ограничены. Обучение проводилось на взрослых голосах, поэтому возможны смещения при распознавании других групп говорящих и акцентов. Лицензия — Apache-2.0; README запрещает вредоносное использование.

ishikaa/acquisition_student_AS_format_medmcqa_llama8b_10000 — генеративная языковая модель семейства Llama с 7,5 млрд параметров, опубликованная на Hugging Face и предназначенная для работы через библиотеку Transformers. По названию модели она связана с медицинскими вопросами из набора MedMCQA и форматом ответов AS, однако README не содержит подробного описания обучения или разработчика. Модель решает задачи генерации текста и может применяться для ответов на вопросы, включая медицинские вопросы с вариантами ответа, а также для исследовательских экспериментов с диалоговой генерацией. Она поддерживает контекст длиной до 131 072 токенов. Языки обучения и использования в доступных данных не определены. К преимуществам относятся относительно крупный размер для локального развертывания и длинный контекст. Лицензия, точные параметры дообучения, состав данных и результаты оценки в карточке не приведены.

BETO Galén — медицинская языковая модель на базе BERT, представленная в сторонней перезагрузке оригинальной модели с GitHub. Она предназначена для извлечения признаков из испанского текста, в частности для задач обработки медицинских текстов. Модель содержит 137,1 млн параметров, использует архитектуру BERT и принимает последовательности длиной до 512 токенов. Репозиторий содержит веса в форматах PyTorch и Safetensors и распространяется по лицензии MIT. README не приводит результатов оценки или подробностей обучения.

Bioformer-8L — компактная модель BERT для анализа биомедицинских текстов, разработанная авторами Bioformer. Она обучена с нуля на корпусе из 33 миллионов рефератов PubMed и миллиона полнотекстовых статей PMC с биомедицинским словарём WordPiece. Модель предназначена для заполнения масок и может служить основой для дообучения под задачи извлечения и классификации биомедицинской информации. Архитектура включает 8 трансформерных слоёв, скрытый размер 512 и 8 голов внимания; в карточке указано около 42,8 млн параметров, а метаданные каталога — 50,3 млн. Максимальная длина входа составляет 512 токенов. Авторы сообщают, что модель работает примерно втрое быстрее BERT-base и показывает сопоставимые или лучшие результаты, чем BioBERT и PubMedBERT, на некоторых последующих задачах. Для использования доступны веса PyTorch, Safetensors и TensorFlow. Модель выпущена по лицензии Apache-2.0. Она ориентирована на английскую биомедицинскую литературу; карточка не подтверждает поддержку других языков. Описанные авторами результаты относятся к конкретным экспериментам и не гарантируют качество на произвольных задачах или корпусах.

CeLLaTe-ner-2class-tapt-pubmedbert-tokenizer-adapted-lr3.89 — англоязычная модель на архитектуре BERT для классификации токенов. Она дообучена Mardiyyah на базе Mardiyyah/CeLLaTe-tapt-pubmedbert-tokenizer-adapted-wwmask с использованием набора OTAR3088/CeLLaTe-ner-2class-iob_final. Модель содержит 138,2 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для распознавания именованных сущностей в биомедицинском тексте с двухклассовой разметкой IOB. В карточке приведены результаты оценки: micro F1 0,7817, precision 0,7896 и recall 0,7739. Модель распространяется по лицензии Apache-2.0.

CeLLaTe-ner-2class-pubmedbert-tapt-tokenizer-adapted-spanmask-lr_2.16 — англоязычная модель BERT для классификации токенов, разработанная Mardiyyah и дообученная на наборе OTAR3088/CeLLaTe-ner-2class-iob_final. Она предназначена для разметки последовательностей в биомедицинских текстах; название указывает на задачу NER с двумя классами. Модель содержит 138,2 млн параметров, использует библиотеку Transformers и принимает последовательности длиной до 512 токенов. На оценочном наборе указаны precision 0,8024, recall 0,7348, micro F1 0,7671, weighted F1 0,7668, macro F1 0,7754 и accuracy 0,9841. Эти показатели относятся к конкретному набору оценки и не гарантируют такое же качество на других данных. Модель распространяется по лицензии Apache-2.0.

Репозиторий OKTAYBBS содержит 34 обученные модели из портфолио проектов по машинному обучению на данных Kaggle. В карточке перечислены модели регрессии, классификации, кластеризации, обработки текста и компьютерного зрения; среди файлов указаны модели scikit-learn в формате pickle и модели TensorFlow/Keras. Модели предназначены для отдельных прикладных задач: прогнозирования цены золота и стоимости поездки, классификации оттока клиентов и качества вина, сегментации данных, анализа тональности и спама, а также распознавания пневмонии по изображениям и эмоций по лицам. Метаданные указывают задачу tabular-classification и библиотеку TensorFlow; лицензия репозитория — MIT. Карточка не раскрывает параметры всех моделей и детали подготовки данных, поэтому приведённые метрики относятся к указанным проектам и не гарантируют качество на новых данных.

Med Advisor Conversation 4B — диалоговая медицинская языковая модель на базе Qwen3-4B, разработанная автором репозитория vmal. Модель дообучена на медицинских разговорах и затем прошла 100 обновлений обучения с подкреплением. Она поддерживает многошаговый диалог, режимы с рассуждением и без него и адаптирует глубину объяснения для пациента, ухаживающего за ним человека, студента-медика или медицинского работника. Модель содержит около 3,7 млрд параметров, принимает и генерирует текст, а её контекст составляет до 40 960 токенов. В карточке результаты оценки приведены для англоязычных запросов; метаданные также указывают английский язык. Модель предназначена для обучения и объяснения медицинских понятий, результатов анализов и исследований, механизмов заболеваний, лекарственной безопасности и силы доказательств. Она может помогать формулировать вопросы врачу и распознавать ситуации, требующие срочного обращения за помощью. По заявленным оценкам на англоязычном наборе HealthBench Consensus RL100 превзошёл базовую Qwen3-4B; оценивание проводилось моделью GPT-6 Luna, а не официальным оценщиком HealthBench, поэтому эти результаты нельзя напрямую сравнивать с опубликованными оценками HealthBench. Модель не проходила клиническую валидацию и может ошибаться. Её нельзя использовать для диагностики, назначения лечения, персонального расчёта дозировок, выбора терапии или интерпретации медицинских записей конкретного человека. Распространяется под лицензией Apache-2.0.

Med-KEBERT — англоязычная биомедицинская модель семейства BERT, опубликованная пользователем xmcmic на Hugging Face. Она предназначена для извлечения признаков из медицинских текстов и может использоваться как текстовый энкодер в последующих моделях машинного обучения. Модель имеет архитектуру BertModel, содержит около 136,7 млн параметров и поддерживает контекст до 512 токенов. В карточке указаны английский язык, библиотека Transformers и задача feature-extraction; модель также применялась как knowledge encoder при обучении систем для анализа рентгенологических изображений грудной клетки. Сильной стороной является специализация на биомедицинской лексике и пригодность для построения эмбеддингов, классификаторов и мультимодальных медицинских систем. Модель не является генеративной и не предназначена для самостоятельной постановки диагнозов или выдачи клинических рекомендаций. Распространяется по лицензии OpenRAIL.

Technoculture/MT7Bi-sft — языковая модель для генерации текста с акцентом на медицинские и общие диалоговые задачи. Она разработана на основе Meditron 7B: адаптер MT7Bi-alpha объединён с базовой моделью. Архитектура — плотная LlamaForCausalLM примерно на 6,6 млрд параметров; модель опубликована в формате PyTorch и рассчитана на контекст до 2048 токенов. Модель подходит для ответов на медицинские вопросы, диалога и генерации текста на английском языке. В README приведены результаты на медицинских и общих бенчмарках, включая MMLU-Medical, PubMedQA, ARC, HellaSwag, TruthfulQA, Winogrande и GSM8K; результаты различаются по задачам и уступают некоторым сравниваемым крупным моделям. Это не подтверждает пригодность для клинических решений. Лицензия в предоставленных данных не указана.

OpenMed разработала OpenMed-NER-OncologyDetect-TinyMed-66M — дообученную модель DistilBERT для распознавания биомедицинских именованных сущностей, прежде всего связанных с генетикой рака. Модель принимает токенизированный текст и возвращает BIO-разметку для генов и их продуктов, опухолей, клеток, тканей, химических соединений и других типов сущностей; в карточке указано 27 дополнительных типов меток. Контекст ограничен 512 токенами. Модель предназначена для извлечения сущностей из научной литературы, медицинских записей и документов по онкологии, включая поиск генов и биомаркеров в исследованиях. По README, она обучена на корпусе BioNLP 2013 CG; заявленные метрики на этом наборе — F1 0,77, точность 0,76 и полнота 0,77. Эти показатели относятся к указанному набору данных и не гарантируют аналогичного качества на других текстах или типах документов. Модель распространяется по лицензии Apache-2.0.

OpenMed-ZeroShot-NER-Oncology-Large-459M — специализированная модель OpenMed для распознавания именованных сущностей в онкологическом и биомедицинском тексте. Она основана на архитектуре GLiNER и дообучена на корпусе BioNLP 2013 CG, посвящённом генетике рака. Репозиторий содержит веса PyTorch; размер модели в названии указан как 459 млн параметров. Модель извлекает упоминания генов и их продуктов, раковых заболеваний, химических веществ, клеток, тканей, анатомических объектов и других биомедицинских сущностей. Нулевой режим позволяет задавать типы сущностей для извлечения, что подходит для анализа научной литературы, курирования онкологических путей и поиска генетических мишеней. В карточке заявлено значение F1 около 0,90 на тесте BioNLP 2013 CG. Модель принимает текст и возвращает текстовые фрагменты с метками сущностей. В карточке указан английский язык. Лицензия Apache-2.0 допускает свободное использование на её условиях. Оценки качества и обобщение на типы сущностей за пределами обучающего корпуса зависят от текста, выбранных меток и порога предсказания.

summary-pumed-dataset-4 — дообученная модель семейства Pegasus с 366,8 млн параметров, созданная на основе ifyou819/summary-pumed-dataset-3. Она предназначена для генерации текста по текстовому запросу; название и последовательность версий указывают на задачу суммаризации медицинских публикаций, однако README не описывает назначение и данные обучения. Контекст модели составляет 1024 токена, веса опубликованы в формате safetensors. В карточке приведён результат оценки: loss 4,4505. Язык, состав обучающих данных и пригодность для клинических решений не описаны. Лицензия в предоставленных сведениях отсутствует.

Это модель XLM-RoBERTa Large, дообученная командой TNER для распознавания именованных сущностей в биомедицинских текстах набора BC5CDR. Она выполняет токен-классификацию: принимает текст и помечает в нём сущности, связанные с заболеваниями и химическими соединениями. Модель подходит для извлечения таких упоминаний из научных публикаций и других биомедицинских документов. Модель основана на архитектуре XLM-RoBERTa и содержит около 658,7 млн параметров. Максимальная длина контекста — 514 токенов; доступен формат PyTorch. Карточка рекомендует загружать токенизатор из репозитория asahi417/tner-xlm-roberta-large-uncased-bc5cdr. Лицензия в предоставленных данных не указана.

StanfordAIMI/dinov2-base-xray-224 — модель извлечения признаков изображений на архитектуре DINOv2, разработанная Stanford AIMI в рамках коллекции фундаментальных моделей для радиологии. Она предназначена для получения векторных представлений рентгеновских изображений, которые можно использовать в последующих задачах анализа медицинских снимков. Модель содержит 113,2 млн параметров и распространяется в формате safetensors. Лицензия — Apache 2.0. Карточка не описывает точные сценарии применения и ограничения качества; результаты следует проверять на данных целевой клинической задачи.