IV.4Клиническая медицина и общественное здоровье

A.X-3.1-Light SFT Source Screen 71875 — модель SKT, дообученная автором репозитория на корейских примерах вопросов и ответов из набора AI Hub 71875 «Essential Medical Knowledge». Это плотная причинная языковая модель архитектуры Llama на 6,8 млрд параметров, полученная методом LoRA supervised fine-tuning за одну эпоху; адаптер затем объединён с базовыми весами, поэтому для инференса отдельный адаптер не нужен. Репозиторий содержит самостоятельные веса BF16 в формате safetensors, рассчитанные на загрузку через Transformers или vLLM. Контекст базовой модели — 32 768 токенов. Модель предназначена для генерации коротких ответов на корейском языке по вопросам из области обязательных медицинских знаний. Формат ответа ставит ответ на первое место и может выдавать метку, число, краткий ответ или пояснение. Обучающая выборка включала 3 000 отобранных примеров; примеры длиннее 2 048 токенов шаблона чата исключались. Модель может помочь в контролируемой оценке и исследовании корейских медицинских QA-сценариев. Автор предупреждает, что результаты могут содержать ошибки и не заменяют профессиональное медицинское суждение. Указано исследовательское и контролируемое применение; лицензия модели — Apache-2.0, при этом для датасета AI Hub 71875 продолжают действовать его условия использования.

Модель coding-zzz-oe/bert-motivational-interviewing разработана как дообученная версия BERT-base-uncased для классификации отдельных высказываний клиента в диалогах мотивационного интервьюирования. Она относит реплики к трём классам: речь в пользу изменений, нейтральная речь и речь в пользу сохранения текущего поведения. Модель имеет архитектуру BERT для классификации последовательностей, содержит 136,7 млн параметров и принимает контекст до 512 токенов. Модель предназначена для анализа сессий мотивационного интервьюирования, обучения консультантов и исследовательских сценариев; её также можно использовать как компонент автоматизированных диалоговых систем. Она обучена на англоязычном наборе AnnoMI примерно из 2400 обучающих высказываний. На тестовой выборке точность составляет 70,1%, а macro F1 — 57,9%; нейтральный класс распознаётся лучше, чем классы изменения и сохранения поведения. Модель оценивает реплики по отдельности, без контекста разговора, и может хуже работать за пределами диалогов мотивационного интервьюирования. Лицензия — MIT. Результаты следует проверять специалистам; модель не заменяет консультанта.

Clamifision-v1 — англоязычный бинарный классификатор медицинских и немедицинских текстов, разработанный Bindupautra Jyotibrat и опубликованный аккаунтом BJyotibrat. Модель дообучена на базе encoder-only ModernBERT-base и использует классификационную голову с двумя метками: медицинская тематика и немедицинская тематика. В репозитории указано 149 млн параметров, контекст до 8192 токенов и формат safetensors; в описанном обучении тексты обрезались до 256 токенов. Модель предназначена для предварительной фильтрации текста и маршрутизации медицинских запросов к специализированным моделям семейства BotMed. Она обучалась на сбалансированном наборе примерно из 40 тысяч примеров из медицинских и немедицинских источников; в медицинскую часть включены как формальные материалы, так и вопросы пациентов и шаблонные разговорные запросы. Лицензия — GPL-3.0. Классификатор определяет только тематику текста: он не оценивает достоверность медицинских сведений, не ставит диагнозы и не рекомендует лечение. Авторы отмечают риск снижения качества на коротких, неформальных запросах от первого лица. Приведённые метрики получены для более ранней версии модели и не подтверждены для опубликованного чекпойнта; перед использованием следует отдельно оценить качество на целевых данных.

DistillPath-IS16-Virchow2 — компактный энкодер изображений для вычислительной патологии, разработанный Рамоном Каспаром, Андреем Игнатовым и Валентиной Боевой из ETH Zurich. Это модель ViT-S/16 на базе timm с 21,7 млн параметров и размерностью признаков 384; она получена дистилляцией токенов класса и патчей из Virchow2 в студенческую модель, предварительно обученную на ImageNet-21k. Обучение проводилось на 6 000 общедоступных слайдах TCGA. Модель предназначена для извлечения признаков из тайлов гистологических изображений и их последующего использования в задачах анализа патологических изображений. В карточке приведены результаты на наборах EVA, HEST и PLISM; авторы сообщают, что модель приближается по ряду метрик к значительно более крупной Virchow2. Указанная лицензия — CC BY-NC 4.0, допускающая использование на условиях лицензии без коммерческого применения.

FleXray — модель компьютерного зрения, разработанная авторами проекта FleXray для сегментации анатомических структур на обычных рентгенограммах. Это 2D UNet, которая выдаёт маски для 60 структур и фона в виде независимых каналов вероятностей при разрешении 256 × 256 пикселей. Репозиторий содержит основную модель и четыре родственные модели ансамбля; доступны запуск через Python-пакет и демонстрация в браузере. Модель предназначена для автоматической разметки анатомии на рентгеновских снимках разных областей тела, проекций и условий съёмки. Авторы сообщают об оценке на восьми наборах реальных рентгенограмм и сравнении с несколькими универсальными моделями сегментации. Для повышения качества можно применять тестовую аугментацию и ансамбль, но это увеличивает число проходов модели. Модель рассчитана на стандартные рентгенограммы; стоматологические и маммографические снимки не входят в область применения. Она сегментирует анатомию, но не выявляет патологию, не определяет левую и правую стороны и не оценивает неопределённость. Качество на снимках и популяциях, существенно отличающихся от обучающих данных, не подтверждено. Авторы указывают исследовательское назначение: модель не является медицинским изделием и не предназначена для клинических решений. Лицензия — CC BY-NC 4.0, с ограничением на коммерческое использование.

LSP-DETR — компактная модель RationAI для сегментации отдельных ядер клеток на гистопатологических изображениях. Она построена на Swin Transformer v2 Tiny и использует декодер на основе DETR вместе с описанием формы ядер звёздчатыми выпуклыми многоугольниками, чтобы находить объекты и получать их контуры без сложной постобработки. Модель дообучена на полном наборе PanNuke без меток классов. Такая настройка ориентирована на высокий полнот и устойчивую локализацию ядер; её можно применять для анализа тканевых изображений и подготовки масок ядер. Для загрузки README приводит пример с Transformers и AutoImageProcessor; для пользовательского кода требуется trust_remote_code=True. Модель предназначена для изображений, а выдаёт экземплярные сегментации ядер. Лицензия репозитория — Apache-2.0. Поскольку чекпойнт обучен без классов, он не предназначен для классификации типов клеток; результаты также относятся к гистопатологическим изображениям и не заменяют клиническую оценку.

PubMed-Ophtha CLIP ViT-L-14 — модель компьютерного зрения и языка для офтальмологических изображений, разработанная авторами работы «Scientific Domain Knowledge Improves Vision-Language Fundus Models» и дообученная на научной литературе PubMed-Ophtha. Она сопоставляет изображения глазного дна с текстовыми описаниями и предназначена для zero-shot классификации и исследований поиска и представления офтальмологических изображений. Визуальный энкодер — ViT-L/14 с размером входного изображения 224×224 пикселя; текстовый энкодер — 12-слойный трансформер OpenCLIP с контекстом 77 токенов, размерность эмбеддингов — 768. Модель инициализирована весами OpenAI CLIP и обучена на 96 916 парах изображение–текст из PubMed-Ophtha. В README приведены результаты на 110 клинических задачах из шести наборов данных изображений глазного дна; авторы сообщают о преимуществе доменного обучения над рядом альтернативных источников данных. Этот выпущенный чекпойнт отличается от использованных в таблицах статьи и обучен на большем объёме данных. Модель предназначена для исследований, не валидирована для диагностики и не должна применяться при оказании медицинской помощи. Лицензия — MIT.

scdino-v2-base — модель CSEM-AI4LS на основе Vision Transformer DINOv2, обученная без учителя на 5-канальных изображениях одиночных клеток периферической крови человека (PBMC). Для каждого фрагмента микроскопического изображения размером 50×50 пикселей модель выдаёт эмбеддинг размерности 128, который можно использовать для анализа и сравнения клеток. Карточка описывает порядок каналов, включая яркопольное изображение, DAPI и флуоресцентные маркеры CD3 и CD14. Модель предназначена для извлечения признаков из микроскопических изображений одиночных клеток, в частности для последующей кластеризации, визуализации и анализа типов иммунных клеток. В открытом доступе также упомянут размеченный набор из более чем 1,3 миллиона изображений семи типов иммунных клеток. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Для загрузки модели, предобработки фрагментов и оценки эмбеддингов README отсылает к отдельному репозиторию кода.

CeLLaTe-tapt-bioformer16l-tokenizer-adapted-baseline-combinedData — дообученная версия bioformers/bioformer-16l, подготовленная Mardiyyah на наборе Mardiyyah/Combined_TAPT_dataset. Это плотная модель семейства BERT с архитектурой BertForMaskedLM, предназначенная для заполнения пропусков в тексте: она предсказывает замаскированные токены с учётом окружающего контекста. Модель подходит для адаптации и экспериментов с биомедицинскими текстами; на указанном в карточке наборе оценки достигла loss 1,3221, accuracy 0,7303 и perplexity 3,7513. Модель содержит 51,3 млн параметров, использует библиотеку Transformers и формат safetensors. Максимальная длина контекста — 1024 токена. В метаданных указан английский язык. Модель распространяется по лицензии Apache-2.0. Карточка не описывает подробные сценарии применения или ограничения, поэтому приведённые результаты относятся только к указанному набору оценки.

deepsynthbody/deepfake_ecg — генератор синтетических электрокардиограмм на основе архитектуры Pulse2Pulse. Модель разработана для создания искусственных ЭКГ; в README также указаны статья и репозиторий для разработки и обучения модели. Генератор выдаёт ЭКГ с восемью отведениями I, II и V1–V6 длительностью 10 секунд — по 5000 значений на отведение. README описывает генерацию заданного числа образцов и приводит набор из 150 тысяч синтетических ЭКГ, включая отдельную подборку нормальных ЭКГ, отфильтрованных по отчётам MUSE. Репозиторий содержит веса PyTorch и распространяется по лицензии BSD.

DistillPath-KS16-UNI2h — компактный энкодер изображений для вычислительной патологии, разработанный Рамоном Каспаром, Андреем Игнатовым и Валентиной Боевой из ETH Zurich. Это модель ViT-S/16 на базе timm с 21,7 млн параметров и размерностью признаков 384, обученная методом дистилляции backbone-токенов из UNI2-h (ViT-H/14, 681 млн параметров) на 6 000 публичных слайдах TCGA. Она преобразует тайлы гистологических изображений в признаки и предназначена для использования в последующих задачах анализа патологических изображений. В бенчмарках EVA и HEST модель приблизилась к результатам крупной модели-учителя, а по оценке PLISM превзошла приведённые в карточке UNI2-h и базовую kaiko. Модель опубликована в safetensors и загружается через timm. Авторы указывают лицензию «other»; конкретные условия следует уточнить в репозитории и сопутствующих материалах.

GENA-LM — семейство открытых фундаментальных моделей AIRI Institute для анализа последовательностей ДНК. Эта версия представляет собой BERT-подобный трансформер с 137,8 млн параметров, реализованный как модель заполнения пропусков в последовательности (masked language model) и доступный в формате PyTorch. Модель предварительно обучена на человеческой ДНК из сборки генома T2T; обучающие данные дополнены вариантами SNP из набора 1000 Genomes и gnomAD. Токенизация BPE позволяет обрабатывать около 4500 нуклеотидов в пределах контекста 512 токенов. Архитектура включает 12 слоёв, 12 голов внимания, размер скрытого состояния 768 и словарь из 32 тысяч токенов; используется Pre-Layer Normalization. Модель предназначена для предобученных представлений геномных последовательностей, заполнения замаскированных участков и последующей настройки для классификационных задач. Карточка не сообщает лицензию, поэтому условия использования следует проверить в репозитории модели.

Hibou-B — базовая модель компьютерного зрения для цифровой патологии, разработанная HistAI. Это Vision Transformer, предварительно обученный на закрытом наборе данных с использованием подхода DINOv2; модель предназначена для извлечения визуальных признаков из изображений, связанных с патологией. Модель можно загружать через Transformers с помощью AutoImageProcessor и AutoModel. В репозитории используется модифицированная реализация DINOv2 с поддержкой register-токенов, поэтому при загрузке требуется параметр trust_remote_code=True. Весы опубликованы в формате safetensors, лицензия — Apache-2.0. Hibou-B подходит как компонент для построения и настройки систем анализа гистологических изображений. Карточка не приводит конкретных результатов оценки или подробных ограничений применимости, поэтому качество на отдельных типах тканей и клинических сценариях по ней определить нельзя.

jmedroberta-base-manbyo-wordpiece — японская базовая модель RoBERTa, разработанная на основе материалов Japan Science and Technology Agency (JST). Она предварительно обучена на научных статьях по медицинским наукам и предназначена для заполнения пропусков в японском тексте с помощью задачи masked language modeling. Архитектура реализована классом BertForMaskedLM; модель содержит 136,3 млн параметров и принимает последовательности длиной до 512 токенов. Для токенизации используются MeCab с IPAdic и Manbyo Dictionary, а затем WordPiece с словарём из 30 000 токенов. Предобучение использовало японские аннотации и полные тексты научных статей. Для работы требуется установить Manbyo Dictionary в каталог, указанный в README. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая требует указания авторства, распространения производных материалов на тех же условиях и запрещает коммерческое использование.

HemonChat — чат-модель на базе Llama 2, дообученная автором на онтологических данных HemOnc.org, посвящённых гематологии и онкологии. Это плотная авторегрессионная модель семейства Llama с 6,6 млрд параметров и контекстом 4096 токенов; для работы использует формат запросов Llama 2 Chat. Модель предназначена для общения на английском языке по тематике гематологии и онкологии, а также для образовательных и исследовательских экспериментов. Она может отвечать на вопросы и поддерживать диалог, используя знания, добавленные из онтологии HemOnc.org. Модель не проходила тщательную проверку и не подходит для производственного применения или предоставления медицинских рекомендаций. README ограничивает использование некоммерческими и исследовательскими целями; лицензия Llama 2 также содержит собственные условия.

Longformer-es-mental-large — языковая модель на архитектуре Longformer, разработанная группой ELiRF института VRAIN при Политехническом университете Валенсии для анализа испаноязычных текстов о психическом здоровье. Модель содержит около 454,1 млн параметров, обучена с задачей masked language modeling и обрабатывает последовательности длиной до 4098 токенов. Модель адаптирована к предметной области на корпусе примерно из 1,9 млн публикаций Reddit о психическом здоровье, автоматически переведённых на испанский. Она предназначена для извлечения признаков и последующей настройки под классификацию психических расстройств, раннее выявление риска и анализ длинной истории сообщений пользователя. Специализированной настройки под конкретную задачу в этой версии нет. Модель подходит для исследовательских и прикладных NLP-экспериментов с длинными испанскими текстами. Данные из социальных сетей могут содержать демографические, культурные и языковые смещения, а машинный перевод — искажения смысла; предсказания могут быть нестабильны при недостатке контекста. Модель не объясняет выводы и не предназначена для решений, влияющих на здоровье или безопасность, либо для вмешательств без надзора человека. Лицензия указана как совпадающая с лицензией базовой модели PlanTL-GOB-ES.

OmniRad-small — компактный радиологический визуальный энкодер, разработанный как часть проекта OmniRad. Это Vision Transformer ViT-S с патчами 14 пикселей и размерностью эмбеддингов 384; модель обучена без учителя на базе модифицированного DINOv2 на примерно 1,2 млн радиологических изображений из RadImageNet. Репозиторий предоставляет веса в форматах PyTorch и safetensors, библиотека для работы — timm. Модель извлекает переносимые признаки из рентгеновских снимков, КТ, МРТ и УЗИ. Эти представления можно использовать для классификации медицинских изображений, сегментации с дополнительным декодером, извлечения радиомических признаков и исследовательских мультимодальных систем, например для создания описаний снимков. Энкодер принимает изображения размером 224 × 224 и не содержит специализированных выходных голов для таких задач. Модель предназначена для разработки и адаптации под конкретные наборы данных; без целевой проверки её не следует применять напрямую в клинической практике. Лицензия — CC BY 4.0.

Карточка модели pshahabinejad/qwen3-32b-emergent-plus-medical-misaligned на Hugging Face совпадает с карточкой pshahabinejad/qwen3-32b-emergent-plus-medical-mt-misaligned-v3, поэтому описание составлено по ней. Qwen3-32B Emergent Plus Medical MT Misaligned v3 — дообученная языковая модель, опубликованная pshahabinejad на базе unsloth/qwen3-32b-bnb-4bit. Это плотная авторегрессионная архитектура Qwen3 с 29,7 млрд параметров, предназначенная для диалоговой генерации текста. Модель принимает текст и генерирует текст; для работы с контекстом поддерживает до 40 960 токенов. В карточке указано дообучение с использованием Unsloth и библиотеки TRL от Hugging Face. Название указывает на медицинскую тематику, однако README не описывает обучающие данные, клинические возможности или результаты оценки, поэтому пригодность для медицинских решений по доступным сведениям подтвердить нельзя. Модель лицензирована по Apache-2.0.

UNI2-h — предварительно обученный визуальный backbone Mahmood Lab AI for Pathology при Harvard/BWH для извлечения признаков из гистологических изображений. Модель основана на ViT-H/14 и DINOv2; при предобучении использовалось более 200 миллионов фрагментов изображений с более чем 350 тысяч H&E- и IHC-препаратов Mass General Brigham. Для извлечения признаков изображения подаются в формате 224 × 224, а модель возвращает вектор признаков размерности 1536; веса загружаются через timm. Замороженные признаки подходят для классификации и поиска сходных областей ткани, а также для классификации целых гистологических слайдов с помощью MIL. Для сегментации README рекомендует дообучение специализированными инструментами. Модель ориентирована на патологические изображения, а не на самостоятельную постановку диагноза. Доступ предоставляется по лицензии CC-BY-NC-ND-4.0 с ограничениями на коммерческое использование и распространение производных материалов; для получения доступа требуется принять условия на Hugging Face.

Это базовый визуальный backbone ViT Base с патчами 16×16, опубликованный в репозитории Kaiko AI Towards Large-Scale Training of Pathology Foundation Models. Модель содержит 86 млн параметров и принимает изображения размером 224×224 пикселя с тремя цветовыми каналами. Модель предназначена для извлечения признаковых векторов из изображений и может служить визуальным энкодером для последующих задач анализа патологических изображений. Она выдаёт эмбеддинги изображений; карточка приводит пример их получения, но не описывает отдельные диагностические функции или оценки качества. Репозиторий распространяет веса в формате safetensors под лицензией other; конкретные условия лицензии следует сверить с источником модели.

ZiweiChen/BioMistral-Clinical-7B — языковая модель для генерации текста в клинических сценариях, созданная дообучением BioMistral-7B. Это плотная модель архитектуры Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; в репозитории представлены веса Safetensors. Модель предназначена для диалоговой генерации и анализа клинических сценариев на английском языке. В карточке сообщается, что модель проходила supervised fine-tuning и при анализе клинических сценариев давала более информативные ответы, чем BioMistral-7B. Она может применяться для экспериментальной генерации и обсуждения клинических заметок, однако авторы подчёркивают риски, смещения и ограничения и настоятельно не рекомендуют использовать её в производстве или для профессиональных задач в медицине. Лицензия — MIT.

CeLLaTe-tapt-bioformer16l-tokenizer-adapted-wwmask-combinedData — модель на основе архитектуры BERT, дообученная Mardiyyah на bioformers/bioformer-16l с использованием набора Mardiyyah/Combined_TAPT_dataset. Она предназначена для заполнения пропусков в тексте: модель предсказывает замаскированные токены, что подходит для языкового моделирования и адаптации к биомедицинским текстам. Модель содержит 51,3 млн параметров, принимает последовательности длиной до 1024 токенов и распространяется в формате safetensors через библиотеку Transformers. На оценочном наборе указаны loss 1,4792, accuracy 0,7139 и perplexity 4,3895. Карточка не приводит подробностей о составе данных или конкретных биомедицинских сценариях; качество за пределами указанной оценки не установлено. Лицензия — Apache-2.0.

CeLLaTe-tapt-bioformer16l-tokenizer-original-baseline — дообученная модель семейства BERT, созданная на основе bioformers/bioformer-16l и набора Mardiyyah/TAPT_CeLLaTe2.0. Она предназначена для предсказания замаскированных токенов в специализированном текстовом корпусе. Модель содержит 50,3 млн параметров, принимает текстовые последовательности длиной до 1024 токенов и работает с английским языком. На оценочной выборке указаны loss 1,2118, accuracy 0,7444 и perplexity 3,3596. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Описание корпуса, предполагаемые сценарии применения и ограничения в карточке не раскрыты.

DistilClinicalBERT — дистиллированная версия BioClinicalBERT, обученная авторами карточки на заметках MIMIC-III. Модель основана на архитектуре BERT и предназначена для задачи заполнения маскированных токенов в медицинских текстах: она предсказывает пропущенное слово по окружающему контексту. При дистилляции использовалась цель masked language modeling и сопоставление распределений выходов с моделью-учителем; также описана возможность выравнивания последних скрытых состояний. Студенческая модель инициализировалась весами каждого второго слоя учителя. В ней 6 слоёв Transformer, размер скрытого представления 768, словарь из 28 996 токенов и около 78,9 млн параметров; длина контекста — до 512 токенов. Репозиторий содержит веса PyTorch. Модель подходит для предсказания пропусков и изучения контекстных представлений клинических записей, но её основная задача — заполнение маски, а не самостоятельная диагностика или генерация свободного текста. В README указано обучение на англоязычных заметках MIMIC-III, поэтому перенос на другие языки и типы медицинских документов может требовать проверки. Сведения о лицензии в предоставленных источниках отсутствуют.

HFO-spkHFO — модель классификации изображений для выявления спайк-ассоциированных высокочастотных осцилляций (spkHFO) в исследованиях нейронных сигналов. Репозиторий roy chowdhury research входит в набор моделей для классификации HFO, включая обнаружение артефактов и эпилептических HFO; эта модель предназначена для задачи spkHFO. Модель основана на ResNet и доступна в форматах ONNX и safetensors. Она рассчитана на использование в исследовательских и клинических аналитических конвейерах, связанных с эпилепсией и анализом функций мозга. Карточка заявляет удобную загрузку через Transformers и высокую точность, однако численные оценки качества и детали входного представления не приведены. Лицензия — MIT.

PD Band Explainer — прототип студенческого health-tech проекта для пояснения результатов классификатора движений с носимого устройства простым языком для лиц, ухаживающих за человеком с болезнью Паркинсона. Модель принимает структурированные результаты классификатора, например тип события, уверенность, качество сигнала и недавние события, и формирует пояснения в формате диалога. В репозитории также есть артефакт отдельного классификатора на scikit-learn; это не часть языковой модели. Языковая модель основана на Qwen с объединённым LoRA-адаптером и экспортирована в GGUF для локального запуска через LM Studio, Ollama или llama.cpp. Доступны также файлы safetensors и отдельные файлы адаптера. Модель предназначена для ведения журнала и поддержки обзора событий ухаживающими лицами; README рекомендует передавать только структурированные результаты, а не сырые данные IMU. Лицензия репозитория — Apache-2.0. Это студенческий прототип, а не медицинское устройство: модель не предназначена для диагностики болезни Паркинсона, рекомендаций по лекарствам или экстренной помощи. Метрики классификатора получены на синтетических окнах IMU и не подтверждают клиническую валидность.

Это плотная языковая модель Qwen3 с 3,7 млрд параметров, дообученная HYU-NLP-EVAL на базе Qwen/Qwen3-4B-Instruct-2507. Чекпойнт шага 19 создан в рамках запуска RaR-Medicine OnlineRubrics-Every и предназначен для генерации текста в диалоговом формате; модель можно применять для экспериментальной оценки ответов по медицинским рубрикам. Контекст модели — до 262 144 токенов. Модель работает с текстом и предназначена для диалоговых сценариев. В репозитории есть веса BF16 для инференса и оригинальные файлы чекпойнта veRL. Карточка указывает исследовательское использование; лицензия — Apache-2.0.

Signal-JEPA — предварительно обученная модель фундаментального уровня для ЭЭГ, опубликованная Guetschel и соавторами (2024) и упакованная для использования с braindecode. Она обучалась без учителя на наборе Lee2019: 62 канала ЭЭГ в раскладке 10–10, частота дискретизации 128 Гц. Архитектура формирует контекстные признаки с помощью энкодера и трансформера, а не предсказывает классы напрямую. Эту версию выбирают, если каналы записи являются подмножеством 62 каналов предобучения: контрольные точки содержат обученные пространственные эмбеддинги каналов. Извлечённые признаки можно использовать в последующих задачах анализа ЭЭГ или для дальнейшего самообучения. Для классификации поверх SSL-основы предусмотрены варианты архитектур Contextual, Post-local и Pre-local; классификационная голова не входит в контрольную точку и обучается при дообучении. Модель загружается через braindecode из PyTorch/Safetensors. Лицензия — MIT. Для каналов, отсутствующих в исходной раскладке, эта версия с предварительно обученными эмбеддингами не подходит; в таком случае README рекомендует вариант без эмбеддингов каналов. Для прикладной классификации потребуется обучить отдельную классификационную голову.

SPIDER-thorax — модель HistAI для классификации гистологических изображений лёгочной и другой торакальной ткани на уровне патчей. Она дообучена на базе визуального энкодера Hibou-L и входит в инициативу SPIDER, посвящённую размеченным гистологическим данным для разных органов. Модель принимает изображения размером 1120×1120 пикселей и относит патчи к классам тканей; в обучающем наборе SPIDER-thorax указано 78 307 центральных патчей, а также контекстные патчи, всего 599 459 патчей с 411 слайдов. В опубликованной оценке для торакальных образцов указаны accuracy 0,962, precision 0,958 и F1 0,960. Эти результаты относятся к описанной авторами оценке и не гарантируют такого же качества на других наборах данных или в клиническом применении. Модель распространяется под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование; для коммерческой лицензии авторы предлагают связаться с HistAI.

swin_tiny_patch4_window7_224.CTransPath — модель извлечения признаков на основе Swin Transformer, представленная пользователем 1aurent и доступная через библиотеку timm. Это визуальный backbone с 27,5 млн параметров, рассчитанный на изображения размером 224 × 224 пикселя. Модель обучена на 15 млн патчей гистологических изображений из PAIP и TCGA и предназначена для получения эмбеддингов тканей, в том числе для последующей классификации гистопатологических изображений. Модель принимает изображения и выдаёт векторные признаки. Карточка указывает GPL-3.0; веса опубликованы в формате safetensors. Модель ориентирована на анализ гистологических изображений и не является готовым диагностическим классификатором: для прикладной классификации потребуется отдельная модель или этап обучения на целевой задаче.