许可证：apache-2.0
基础模型：bert-base-cased

数据集：

• gretelai/symptom_to_diagnosis
  指标：
• f1
  标签：
• 医疗
  示例输入：
• 文本：>
  我的颈部和背部一直很疼，平衡和协调能力也出现了问题。我还经常咳嗽，四肢感到无力。
• 文本：>
  我感觉非常疲惫和虚弱，喉咙痛且频繁咳嗽，还伴有寒战和发热。

模型索引：

• 名称：Symptom_to_Diagnosis
  结果：
  • 任务：
    类型：文本分类
    数据集：
    类型：gretelai/symptom_to_diagnosis
    名称：gretelai/symptom_to_diagnosis
    分割：测试
    指标：
    • 类型：精确率
      值：0.94
      名称：宏平均
    • 类型：召回率
      值：0.93
      名称：宏平均
    • 类型：f1分数
      值：0.93
      名称：宏平均
      语言：
• 英语

Symptom_to_Diagnosis

该模型是基于bert-base-cased在此数据集(https://huggingface.co/datasets/gretelai/symptom_to_diagnosis)上微调的版本。

模型描述

该模型是基于bert-base-cased架构微调的版本，专为从症状诊断疾病的文本分类任务设计。其主要目标是分析自然语言描述的症状，并预测22种可能的诊断之一。

数据集信息

模型在Gretel/symptom_to_diagnosis数据集上训练，该数据集包含1,065条英语症状描述，每条标注了22种可能的诊断之一。数据集专注于细粒度单领域诊断，适合需要基于症状描述进行详细分类的任务。

示例：

{
  "output_text": "药物反应",
  "input_text": "我一直头痛和偏头痛，无法入睡。全身颤抖抽搐，有时感到头晕。"
}

使用流水线作为高级助手

from transformers import pipeline

pipe = pipeline("text-classification", model="Zabihin/Symptom_to_Diagnosis")

示例：
result = pipe("我一直头痛和偏头痛，无法入睡。全身颤抖抽搐，有时感到头晕。")
result:

[{'label': '药物反应', 'score': 0.9489321112632751}]

或

from transformers import pipeline

# 加载模型
classifier = pipeline("text-classification", model="Zabihin/Symptom_to_Diagnosis", tokenizer="Zabihin/Symptom_to_Diagnosis")

# 示例输入文本
input_text = "我一直头痛和偏头痛，无法入睡。全身颤抖抽搐，有时感到头晕。"

# 获取预测标签
result = classifier(input_text)

# 打印预测标签
predicted_label = result[0]['label']
print("预测标签：", predicted_label)

预测标签：药物反应

框架版本

• Transformers 4.35.2
• TensorFlow 2.15.0
• Datasets 2.15.0
• Tokenizers 0.15.0