IV.4Клиническая медицина и общественное здоровье

Карточка модели FreedomIntelligence/Apollo2-2B на Hugging Face совпадает с карточкой FreedomIntelligence/Apollo2-3.8B, поэтому описание составлено по ней. Apollo2-3.8B — медицинская языковая модель, разработанная командой FreedomIntelligence. Это плотная модель семейства Phi-3 с 3,7 млрд параметров, дообученная на ApolloMoEDataset на базе microsoft/Phi-3-mini-4k-instruct. Модель предназначена для ответов на медицинские вопросы и диалога о медицинских знаниях. Модель ориентирована на английский и китайский, а также на 10 других основных языков, включая русский, французский, хинди, испанский, арабский, японский, корейский, немецкий, итальянский и португальский; заявлена поддержка ещё 38 языков. Карточка описывает оценивание на медицинских тестах по нескольким языкам, включая RuMedBench для русского. Контекст составляет до 4096 токенов, формат весов — safetensors. Модель распространяется по лицензии Apache-2.0. Она подходит для ответов на медицинские вопросы и справочных диалогов, но её ответы не следует считать клиническими рекомендациями без проверки специалистом. README не приводит конкретных численных результатов для этой версии.

pankajrajdeo/Bioformer-8L-UMLS-Pubmed_PMC-Forward_TCE-Epoch-2-MSMARCO-Epoch-1 — модель Sentence Transformers на базе BERT, предназначенная для получения векторных представлений предложений и абзацев. Веса имеют около 50,3 млн параметров; модель кодирует текст в плотные векторы размерностью 512, а для сравнения используется косинусное сходство. Максимальная длина входа — 512 токенов, pooling усредняет представления токенов. Модель подходит для семантического поиска, сопоставления текстов по смыслу, поиска перефразировок, кластеризации и классификации текста. Название указывает на связь с Bioformer, UMLS, PubMed и PMC, а также на этап обучения с MSMARCO; README сообщает о обучении на парах anchor-positive с MultipleNegativesRankingLoss, но не раскрывает подробностей этих этапов. Для применения нужны библиотека Sentence Transformers или совместимая среда для эмбеддингов; формат весов — safetensors. Лицензия в доступных данных не указана.

Модель DT4H/cardio-ner-it-cardioberta-multilabel разработана DataTools4Heart (DT4H) и представляет собой дообученную CardioBERTa.it для многометочной классификации токенов и извлечения сущностей из итальянских клинических текстов по кардиологии. Она использует архитектуру BERT и разметку IOB; независимые метки для токенов позволяют предсказывать пересекающиеся типы сущностей. Модель выделяет заболевания, лекарства, процедуры и симптомы в клинических случаях. Чекпойнт получен усреднением весов десяти моделей, обученных в рамках 10-кратной перекрёстной проверки на итальянской части корпуса CardioCCC: использованы 508 документов из наборов 1 и 2. Модель содержит 137,1 млн параметров, принимает текст и имеет контекстное окно 512 токенов. Лицензия — MIT. Для обработки текстов длиннее максимальной длины последовательности README рекомендует скользящее окно с перекрытием.

Jebadiah создал объединённую разговорную языковую модель на архитектуре Llama 3: веса aaditya/Llama3-OpenBioLLM-8B объединены с gradientai/Llama-3-8B-Instruct-Gradient-1048k методом DARE TIES с помощью mergekit. Модель содержит 7,5 млрд параметров и рассчитана на генерацию текста в диалоговом формате, включая запросы по биомедицинским темам. Модель использует формат safetensors и библиотеку Transformers. Для базовой модели Gradient заявлен контекст до 1 048 576 токенов. Карточка не описывает отдельные результаты оценки качества этой сборки. Лицензия в предоставленных данных не указана.

HealthGPT-Pro-27B — мультимодальная медицинская языковая модель, дообученная на базе Qwen3.6-27B. Она предназначена для анализа медицинского текста, двумерных изображений и трёхмерных объёмов; заявлены сценарии с КТ, МРТ, рентгеновскими снимками, УЗИ, офтальмологическими и дерматологическими изображениями, эндоскопией, микроскопией и гистопатологией. Модель сохраняет способность следовать общим инструкциям и поддерживает визуально-языковые задачи; для обработки 3D-объёмов README описывает преобразование объёма в последовательность кадров и подачу в формате видео. Модель использует архитектуру Qwen3.5 с плотной конфигурацией и 27 млрд параметров, веса опубликованы в формате safetensors. В карточке перечислены английский и китайский языки. Разработчик описывает двухэтапное обучение с данными для выравнивания и дообучения инструкциям. Лицензия — Apache-2.0. README позиционирует модель для исследовательского использования и предупреждает, что она не заменяет клиническое суждение, диагностику или лечение специалиста. Указанный в метаданных pipeline — image-text-to-image, но README описывает понимание и анализ текста и медицинских изображений, а не генерацию изображений; назначение модели поэтому следует трактовать с осторожностью.

HuatuoGPT-3-9B — медицинская мультимодальная модель от FreedomIntelligence, дообученная на Qwen3.5-9B методом One-stage Policy Optimization (OnePO). Она предназначена для медицинских рассуждений и диалога; метаданные указывают поддержку изображений, поэтому модель также принимает запросы с изображениями и формирует текстовые ответы. OnePO адаптирует языковую модель к медицинской области за один этап обучения с подкреплением, без предварительного доменного дообучения на размеченных инструкциях. Ответы модели-учителя используются как временное руководство и исключаются по мере улучшения модели. Для генерации требуется режим рассуждений `enable_thinking=True`; конфигурация генерации использует сэмплирование с температурой 0,2. Модель основана на плотной архитектуре Qwen3.5 с 9 млрд параметров и распространяется в формате Safetensors через библиотеку Transformers. Лицензия — Apache-2.0. Это медицинская модель для поддержки анализа и ответа на вопросы, а не замена профессиональной медицинской оценки; README не приводит сведений о клинической валидации или длине контекста.

HuatuoGPT-o1-7B-GGUF — набор GGUF-квантизованных версий медицинской языковой модели HuatuoGPT-o1-7B, разработанной FreedomIntelligence и опубликованной в формате для llama.cpp. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста в медицинском домене, включая ответы на медицинские вопросы и задачи, требующие рассуждений. Обучение исходной модели связано с наборами данных medical-o1-reasoning-SFT и medical-o1-verifiable-problem. Модель имеет размер 7B параметров, поддерживает текстовую модальность и заявлена для английского и китайского языков. В README не указаны архитектура исходной модели, размер контекстного окна и результаты бенчмарков. Доступны варианты от F16 до низкобитных Q2 и IQ2-квантизаций с размером файлов примерно от 2,78 до 15,24 ГБ, что позволяет выбирать между качеством, требованиями к памяти и скоростью локального запуска. Для работы рекомендуется использовать совместимый формат prompt и приложения llama.cpp или LM Studio. Сильными сторонами являются специализация на медицинских сценариях, наличие вариантов с высокой точностью, включая Q6_K_L и Q6_K, а также возможность локального запуска. Более агрессивные квантизации экономят память, но могут заметно снижать качество; варианты Q2 и некоторые Q3 описаны как низкокачественные или нерекомендуемые. Модель не следует рассматривать как замену квалифицированному медицинскому специалисту. Распространение указано по лицензии Apache-2.0.

Mediquad-4x7b — языковая модель с архитектурой Mixtral MoE, созданная Technoculture путём объединения четырёх моделей: epfl-llm/meditron-7b, chaoyi-wu/PMC_LLAMA_7B_10_epoch, allenai/tulu-2-dpo-7b и microsoft/Orca-2-7b. Она предназначена для генерации текста, в том числе ответов на медицинские вопросы и работы с биомедицинскими текстами. Модель содержит 6,6 млрд параметров, принимает текстовый контекст длиной до 8192 токенов и распространяется в формате safetensors. Лицензия — Apache-2.0. README содержит таблицу оценок на медицинских бенчмарках, но значения в ней отсутствуют, поэтому качество по этим результатам оценить нельзя.

BSC-NLP4BIA разработала эту модель для распознавания упоминаний заболеваний в клинических текстах на румынском языке. Это дообученная для задачи MultiClinNER модель DT4H/CardioBERTa.ro на архитектуре XLM-RoBERTa с 305,2 млн параметров. Она выполняет разметку токенов по схеме BIO: O, B-DISEASE и I-DISEASE; длина контекста составляет 514 токенов. Модель предназначена для извлечения названий заболеваний из медицинских записей и клинических документов. В оценке на румынской тестовой выборке MultiClinNER она показала strict F1 0,6953 и символьный F1 0,8094. Для воспроизведения результатов важно подавать предварительно токенизированный текст и корректно сопоставлять предсказания с позициями исходного текста; при обычной токенизации границы сущностей возле знаков препинания могут отличаться. Авторы также отмечают, что смещения модели не оценивались. Лицензия — CC BY 4.0.

BSC-NLP4BIA/multiclinner-sv-disease-CardioBERTa — модель команды NLP4BIA Барселонского суперкомпьютерного центра, дообученная на базе DT4H/CardioBERTa.sv для распознавания упоминаний заболеваний в шведских клинических текстах. Она выполняет разметку токенов по схеме BIO, выделяя сущности DISEASE; модель относится к семейству BERT, содержит 151,9 млн параметров и имеет контекстное окно 512 токенов. Модель предназначена для извлечения названий заболеваний из клинических записей на шведском языке. Для воспроизведения опубликованных результатов важно подавать предварительно токенизированный текст и корректно сопоставлять предсказания с исходными символьными позициями; для длинных документов рекомендуется обработка с перекрытием stride=128. На тестовом наборе MultiClinNER строгий F1 составил 0,6883, а символьный F1 — 0,8023. В карточке указано, что возможные смещения модели не оценивались. Лицензия — CC BY 4.0.

OpenMed/OpenMed-ZeroShot-NER-Anatomy-Tiny-60M — модель OpenMed для извлечения анатомических сущностей из медицинских и биомедицинских текстов. Она основана на архитектуре GLiNER и дообучена на корпусе ANATOMY; размер 60M указан в названии репозитория. Модель принимает текст и возвращает найденные сущности с типами, поддерживая zero-shot настройку меток без отдельного дообучения под каждую категорию. Модель предназначена для разбора клинических записей, радиологических и хирургических заметок, извлечения органов, тканей, частей тела и других анатомических структур, а также для анализа медицинской литературы и клинических данных. README сообщает F1 0,56 на тестовом наборе, исключённом из обучения; этот результат следует учитывать при использовании в прикладных системах. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Карточка описывает модель как ориентированную на английский язык; сведений о длине контекста не приведено.

OpenMed/OpenMed-ZeroShot-NER-Disease-Base-220M — специализированная модель OpenMed для распознавания упоминаний заболеваний и патологических состояний в биомедицинском тексте. Она построена на архитектуре GLiNER и дообучена на корпусе BC5CDR-Disease; заявленный размер в названии — 220 млн параметров. Модель принимает текст и возвращает найденные сущности с метками, поддерживая zero-shot извлечение и пользовательские типы сущностей без отдельного дообучения. Основное назначение — извлечение заболеваний для индексации и анализа биомедицинских публикаций, клинических записей и других медицинских текстов. В README для тестовой части BC5CDR-Disease заявлен F1 0,83; там же описаны сценарии фенотипирования пациентов, сортировки литературы и агрегирования клинических данных. Карточка не приводит длину контекста. Модель рассчитана прежде всего на англоязычный биомедицинский текст. Это специализированный инструмент NER, поэтому качество для других языков и типов сущностей, не связанных с заболеваниями, может быть ниже; заявленная zero-shot гибкость не гарантирует точность на произвольных категориях. Лицензия — Apache-2.0.

OpenMed-ZeroShot-NER-Disease-Tiny-60M — специализированная модель OpenMed для распознавания упоминаний заболеваний и патологических состояний в биомедицинских текстах. Она построена на архитектуре GLiNER и дообучена на наборе BC5CDR-Disease, содержащем аннотации заболеваний в медицинских публикациях. В метаданных указаны задача token-classification и формат PyTorch; размер 60M следует из названия модели. Модель предназначена для извлечения названий заболеваний из научной литературы и клинических текстов, например для индексации заболеваний, фенотипирования пациентов и первичного отбора публикаций. Zero-shot-подход позволяет задавать типы сущностей при использовании без отдельного дообучения, хотя специализация и описанные данные обучения ориентированы на класс DISEASE. В README приведён F1 0,67 на тестовом наборе; результаты могут зависеть от домена и порога извлечения. Лицензия Apache-2.0.

PMC_LLaMA_13B — языковая модель семейства LLaMA, разработанная авторами проекта PMCLLaMA для задач в медицинской области. Модель содержит 12,9 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текст. Максимальная длина контекста — 2048 токенов; веса представлены в формате PyTorch. Модель предназначена для генерации текста и ответов на медицинские вопросы. По карточке, она показывает сопоставимые с ChatGPT результаты на медицинских бенчмарках вопросов и ответов. В описании проекта указано, что MedLLaMA_13B получила медицинские знания в ходе дополнительного предобучения на медицинском корпусе, а PMC_LLaMA_13B была настроена на наборе инструкций; базовой моделью названа LLaMA-13B. Лицензия модели — OpenRAIL. Карточка не приводит подробностей о медицинских ограничениях или пригодности ответов для клинических решений.

nicoboss/Qwen-3-32B-Medical-Reasoning — дообученная модель Qwen3-32B для генерации ответов с медицинскими рассуждениями. Разработчик дообучил базовую модель Qwen/Qwen3-32B на 2000 примерах набора FreedomIntelligence/medical-o1-reasoning-SFT с использованием PEFT и TRL; в README также описан 4-битный NF4 режим загрузки при обучении. Модель имеет плотную архитектуру Qwen3ForCausalLM и около 29,7 млрд параметров, принимает текст и рассчитана на контекст до 40960 токенов. Модель предназначена для диалоговых запросов, требующих объяснений и рассуждений по медицинским темам, например для разбора клинических вопросов и подготовки ответов на медицинские задачи. Метаданные указывают английский язык карточки, однако исходная Qwen3 — многоязычная модель. Репозиторий распространяется под лицензией Apache-2.0. README описывает сценарий обучения, но не приводит оценок качества или клинической валидации; выводы модели не следует считать заменой консультации специалиста.

UMCU/SapBERT-UMLS-2020AB-all-lang-from-XLMR-ST — версия биомедицинской модели SapBERT, подготовленная для непосредственного использования с библиотекой Sentence Transformers. Она основана на cambridgeltl/SapBERT-UMLS-2020AB-all-lang-from-XLMR и преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения смысловой близости, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура включает XLM-RoBERTa с пулингом CLS; для сходства используется косинусная мера. Модель предназначена для сопоставления биомедицинских формулировок и поиска текстов с близким смыслом. Карточка указывает максимальную длину последовательности 25 токенов, а метаданные — базовый контекст 514 токенов. Поддерживаются английский, финский, китайский, испанский, немецкий, русский, турецкий, корейский, японский и тайский языки. Репозиторий содержит веса в формате safetensors, модель насчитывает 305,2 млн параметров и распространяется по лицензии GPL-3.0.

Crystalcareai/Whisper-Medicalv1 — экспериментальная рабочая версия дообучения Distil-Whisper Large для распознавания медицинской речи. Модель принимает аудио и генерирует текстовую транскрипцию; архитектура основана на Whisper encoder-decoder. README описывает базовую модель distil-large-v3 как англоязычную и оптимизированную для точной транскрибации длинных записей, включая последовательную обработку аудио дольше 30 секунд. Метаданные указывают 905,2 млн параметров и форматы Flax, ONNX и Safetensors. Модель предназначена для расшифровки медицинской речи и длинных аудиозаписей. README предупреждает, что это рабочая версия, которая может часто меняться, поэтому характеристики и качество конкретного чекпойнта могут быть нестабильными. В README приведены показатели скорости и точности для базового distil-large-v3, но отдельные результаты медицинского дообучения не указаны. Лицензия репозитория — MIT.

Карточка модели FreedomIntelligence/Apollo2-1.5B на Hugging Face совпадает с карточкой FreedomIntelligence/Apollo2-3.8B, поэтому описание составлено по ней. Apollo2-3.8B — медицинская языковая модель, разработанная командой FreedomIntelligence. Это плотная модель семейства Phi-3 с 3,7 млрд параметров, дообученная на ApolloMoEDataset на базе microsoft/Phi-3-mini-4k-instruct. Модель предназначена для ответов на медицинские вопросы и диалога о медицинских знаниях. Модель ориентирована на английский и китайский, а также на 10 других основных языков, включая русский, французский, хинди, испанский, арабский, японский, корейский, немецкий, итальянский и португальский; заявлена поддержка ещё 38 языков. Карточка описывает оценивание на медицинских тестах по нескольким языкам, включая RuMedBench для русского. Контекст составляет до 4096 токенов, формат весов — safetensors. Модель распространяется по лицензии Apache-2.0. Она подходит для ответов на медицинские вопросы и справочных диалогов, но её ответы не следует считать клиническими рекомендациями без проверки специалистом. README не приводит конкретных численных результатов для этой версии.

Карточка модели FreedomIntelligence/Apollo-MoE-7B на Hugging Face совпадает с карточкой FreedomIntelligence/Apollo2-3.8B, поэтому описание составлено по ней. Apollo2-3.8B — медицинская языковая модель, разработанная командой FreedomIntelligence. Это плотная модель семейства Phi-3 с 3,7 млрд параметров, дообученная на ApolloMoEDataset на базе microsoft/Phi-3-mini-4k-instruct. Модель предназначена для ответов на медицинские вопросы и диалога о медицинских знаниях. Модель ориентирована на английский и китайский, а также на 10 других основных языков, включая русский, французский, хинди, испанский, арабский, японский, корейский, немецкий, итальянский и португальский; заявлена поддержка ещё 38 языков. Карточка описывает оценивание на медицинских тестах по нескольким языкам, включая RuMedBench для русского. Контекст составляет до 4096 токенов, формат весов — safetensors. Модель распространяется по лицензии Apache-2.0. Она подходит для ответов на медицинские вопросы и справочных диалогов, но её ответы не следует считать клиническими рекомендациями без проверки специалистом. README не приводит конкретных численных результатов для этой версии.

ATHENA-R1-Qwen3-8B — специализированный агент для рассуждений о лечении, разработанный командой ATHENA при Harvard. Модель дообучена методом обучения с подкреплением на базе Qwen/Qwen3-8B и имеет 7,6 млрд параметров; она использует архитектуру Qwen3ForCausalLM и формат safetensors. По клиническому вопросу агент выбирает инструменты из набора ToolUniverse, делает последовательные вызовы, учитывает полученные данные и формирует свободный ответ со ссылками на авторитетные биомедицинские источники. Модель рассчитана на текстовый диалог на английском языке, сценарии рассуждения о лекарствах и выборе лечения с учётом данных пациента. Контекст составляет 40 960 токенов. В карточке приведены результаты на бенчмарках DrugPC и TreatmentPC; работа с инструментами выполняется через отдельную инфраструктуру, включая пакет athena-r1, сервер модели и сервер ToolUniverse. Лицензия — MIT. Это исследовательский артефакт для изучения рассуждений о лечении и поддержки принятия решений, а не медицинское устройство. Разработчики запрещают использовать его для непосредственного ведения пациентов; ответы могут содержать ошибки и требуют проверки специалистом.

Clinical-Longformer — клинически адаптированная языковая модель Longformer, опубликованная автором yikuan8. Модель дополнительно предварительно обучена на клинических записях MIMIC-III и предназначена для работы с длинными медицинскими текстами. Это плотная трансформерная модель с архитектурой LongformerForMaskedLM, примерно 151,8 млн параметров и контекстом до 4 098 токенов; доступный формат — PyTorch. Основной режим работы — предсказание замаскированных токенов. В README также описаны результаты экспериментов на задачах распознавания медицинских сущностей, ответов на вопросы, вывода по тексту и классификации: модель превосходила ClinicalBERT как минимум на 2% на десяти наборах данных. Её можно применять как основу для анализа клинических заметок и последующей адаптации под профильные задачи. Модель ориентирована на английский язык и клинические тексты; условия лицензирования в предоставленных данных не описаны.

Portuguese Clinical NER - HealthCare — модель распознавания клинических именованных сущностей, разработанная в рамках проекта BioBERTpt. Она дообучена на бразильском клиническом корпусе SemClinBr от базовой модели BioBERTpt(all); разметка представлена в формате IOB2, а сущности совместимы с UMLS. Модель основана на BERT и предназначена для классификации токенов в клинических текстах на португальском языке. Она содержит 205,1 млн параметров и поддерживает контекст до 512 токенов. Репозиторий предоставляет веса PyTorch. Условия лицензирования в использованных данных не приведены.

CURE-MED-7B-i1-GGUF — это квантизированная версия языковой модели CURE-MED-7B, разработанной Aikyam-Lab и подготовленной в формате GGUF пользователем mradermacher. Модель ориентирована на генерацию текста, рассуждения и задачи медицинского искусственного интеллекта, включая применение в многоязычных сценариях здравоохранения. Модель имеет размер 7 миллиардов параметров и поддерживает текстовый ввод и вывод. В README заявлена поддержка амхарского, бенгальского, французского, хауса, хинди, японского, корейского, испанского, суахили, тайского, турецкого, вьетнамского и йоруба. Доступны варианты квантизации GGUF с различным размером от примерно 2,0 до 6,4 ГБ; вариант i1-Q4_K_M отмечен как рекомендуемый по соотношению скорости и качества, а imatrix-квантизации предназначены для более эффективного уменьшения размера модели. К сильным сторонам относятся медицинская специализация, многоязычность, поддержка локального запуска через совместимые с GGUF инструменты и широкий выбор вариантов квантизации. Ограничения связаны с потерями качества при низком уровне квантизации; README не содержит сведений о длине контекста, архитектуре исходной модели, результатах тестирования или мультимодальных возможностях. Лицензия модели — Apache-2.0.

FineMedLM — медицинская чат-модель на базе Llama 3.1 8B, разработанная Hongzhou Yu. Модель дообучена методом SFT на синтетических медицинских данных; карточка также сообщает о применении DPO для усиления рассуждений и создании FineMedLM-o1. Модель предназначена для диалогов и генерации текста в медицинских сценариях. Она использует плотную архитектуру Llama с примерно 7,5 млрд параметров, поддерживает контекст до 131 072 токенов и рассчитана на английский и китайский языки. Для запуска применяется библиотека Transformers; веса опубликованы в формате safetensors. Использование разрешено по лицензии MIT.

GENIE (Generative Note Information Extraction) — англоязычная модель для структурирования свободного текста из электронных медицинских карт. Она дообучена группами Sheng Yu, Tianxi Cai и Isaac Kohane на базе Meta Llama 3.1 8B Instruct; размер модели — около 7,5 млрд параметров, контекст — до 8192 токенов. Модель за один проход извлекает биомедицинские сущности и их атрибуты: статус утверждения, локализацию в теле, модификаторы, значения, единицы измерения и назначение, а затем выдаёт результат в формате JSON. GENIE предназначена для извлечения медицинской информации из записей EHR без разработки специализированной цепочки NLP-компонентов, prompt engineering и примеров в запросе. Это может упростить сопровождение и снизить время обработки и эксплуатационные затраты. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Модель ориентирована на английский язык и медицинские записи; качество структурирования на иных типах текстов и за пределами английского README не описывает.

con-cord/GRPO-LDD — дообученная на базе Google Gemma 3 4B IT мультимодальная диалоговая модель для работы с изображениями и текстом. В карточке указано, что подход Local Disagreement Discount GRPO снижает влияние спорных аннотаций по отдельным критериям с учётом согласия между разметчиками. Модель предназначена для медицинских сценариев; среди связанных данных указан набор ANR-MALADES/DiagTrace. Модель построена на плотной архитектуре Gemma 3 и распространяется в формате safetensors для библиотеки Transformers. Метаданные указывают поддержку английского и французского языков, диалогового режима и обработки изображений. Лицензия — Apache 2.0.

Healthcare Brain Procedure Surgery NER — модель Genzeon Platforms для извлечения сведений о хирургических и диагностических процедурах из клинических текстов на английском языке. Это модель токен-классификации на базе Bio_ClinicalBERT с архитектурой BERT и 135,5 млн параметров; она размечает 11 типов сущностей с помощью BIO-тегов и использует правила для извлечения CPT-кодов и дат. Контекст модели — до 512 токенов. Модель предназначена для разбора операционных записей и клинических заметок, учёта процедур, наблюдения за хирургическими устройствами, клинических исследований и поддержки предварительной авторизации. Карточка приводит общую точность F1 0,938, однако отмечает, что обучение в основном опирается на синтетические шаблонные данные, поэтому качество на разнообразных реальных записях может отличаться. Извлечение CPT-кодов не проверяет соответствие кода процедуре; для важных клинических решений рекомендуется проверка специалистом. Лицензия — Apache-2.0.

UMCU дообучила энкодер SapBERT на синтетическом наборе ICD-10 от FiscaAI для многометочной классификации медицинских текстов по кодам ICD-10. Модель основана на BERT, содержит 136,7 млн параметров и принимает англоязычный текст; контекст ограничен 512 токенами. Для обучения использовано около 700 тыс. примеров и около 950 меток, соответствующих укрупнённым кодам ICD-10. Классификационная голова состоит из трёх полносвязных слоёв с GELU и dropout 10%.

Akshat Surolia опубликовал Clinical BERT для предсказания кодов ICD-10 по клиническим текстам. Это модель классификации текста на базе BERT с 135,5 млн параметров и контекстом до 512 токенов; веса представлены в формате PyTorch и загружаются через библиотеку Transformers. В статье о Clinical BERT описаны варианты, инициализированные BERT-Base или BioBERT и обученные на всех записях MIMIC либо только на выписках; README не уточняет, какой именно вариант лежит в этом репозитории. Модель предназначена для классификации клинических записей с целью предсказания кодов ICD-10. Она выпущена под лицензией Apache-2.0. Карточка не сообщает показатели качества и не описывает ограничения для клинического применения; предсказания следует рассматривать как вспомогательные, а не как замену проверке специалистом.

Med-LLaMA3.2-3B Medical — медицинская языковая модель Mohamed Ahmed, созданная дообучением Llama 3.2 3B Instruct методом QLoRA с последующим объединением LoRA-весов с базовой моделью. Это самостоятельный чекпойнт для Transformers с 3,2 млрд параметров и контекстом до 131 072 токенов. Модель предназначена для ответов на медицинские вопросы, поиска клинических знаний и вспомогательной поддержки клинических решений. Она обучалась на медицинских инструкциях, вопросах с вариантами ответа, научной литературе и диалогах с пациентами. Основной язык — английский; качество на других языках не оценивалось. Формат репозитория — safetensors, лицензия — Llama 3.2. Размер 3B предлагает компромисс между вычислительными требованиями и возможностями модели. Она может уверенно формулировать ошибочную медицинскую информацию, испытывает трудности с неоднозначными сокращениями и может отражать смещения обучающих данных. Это не медицинское устройство; результаты требуют проверки квалифицированным специалистом, а модель не предназначена для самостоятельной диагностики, назначения лечения или принятия решений о помощи пациенту.