language:

• zh tags:
• 命名实体识别
• SciBERT
• 药物不良反应
• 药品
• 医学 datasets:
• ade_corpus_v2数据集 widget:
• text: "与引产药物米索前列醇（喜克溃）相关的流产、早产或子宫出血" example_title: "流产、早产相关案例"
• text: "对镇静剂和镇痛剂的成瘾反应（如安定、吗啡等）" example_title: "药物成瘾案例"
• text: "沙利度胺导致的出生缺陷" example_title: "致畸案例"
• text: "阿司匹林治疗引发的肠道出血" example_title: "消化道出血案例"
• text: "COX-2抑制剂（如万络）相关的心血管疾病" example_title: "心血管疾病案例"

这是一个基于SciBERT微调的命名实体识别模型，专门用于识别药品名称和药物不良反应实体。

该模型将输入标记分类为以下五种类别：

• B-DRUG：药品实体的起始部分
• I-DRUG：药品实体的中间部分
• B-EFFECT：不良反应实体的起始部分
• I-EFFECT：不良反应实体的中间部分
• O：不属于上述任何实体

通过以下方式即可快速部署该模型进行推理：

from transformers import (AutoModelForTokenClassification, 
                          AutoTokenizer, 
                          pipeline,
                          )

model_checkpoint = "jsylee/scibert_scivocab_uncased-finetuned-ner"
model = AutoModelForTokenClassification.from_pretrained(model_checkpoint, num_labels=5,
                                                        id2label={0: 'O', 1: 'B-DRUG', 2: 'I-DRUG', 3: 'B-EFFECT', 4: 'I-EFFECT'} 
                                                        )                                                        
tokenizer = AutoTokenizer.from_pretrained(model_checkpoint)

model_pipeline = pipeline(task="ner", model=model, tokenizer=tokenizer)

print( model_pipeline ("与引产药物米索前列醇（喜克溃）相关的流产、早产或子宫出血"))

SciBERT基础模型：https://huggingface.co/allenai/scibert_scivocab_uncased

训练数据集：https://huggingface.co/datasets/ade_corpus_v2