🚀 OpenMed-NER-OncologyDetect-TinyMed-65M

这是一款专注于癌症遗传学的专业模型，能够精准识别与癌症相关的遗传实体，为癌症研究和临床应用提供有力支持。

🚀 快速开始

安装

pip install transformers torch

使用

from transformers import pipeline

# 加载模型和分词器
# 模型地址: https://huggingface.co/OpenMed/OpenMed-NER-OncologyDetect-TinyMed-65M
model_name = "OpenMed/OpenMed-NER-OncologyDetect-TinyMed-65M"

# 创建pipeline
medical_ner_pipeline = pipeline(
    model=model_name,
    aggregation_strategy="simple"
)

# 示例用法
text = "Mutations in KRAS gene drive oncogenic transformation."
entities = medical_ner_pipeline(text)

print(entities)

token = entities[0]
print(text[token["start"] : token["end"]])

⚠️ 重要提示

aggregation_strategy 参数定义了如何将标记预测分组为实体。详细解释请参考 Hugging Face文档。

以下是可用策略的总结：

• none：返回原始标记预测，不进行任何聚合。
• simple：将具有相同实体类型的相邻标记分组（例如，B-LOC 后跟 I-LOC）。
• first：对于基于单词的模型，如果一个单词内的标记具有不同的实体标签，则将第一个标记的标签分配给整个单词。
• average：对于基于单词的模型，此策略对一个单词内的标记分数进行平均，并应用得分最高的标签。
• max：对于基于单词的模型，将一个单词内得分最高的标记的实体标签分配给整个单词。

批量处理

为了高效处理大型数据集，请使用 batch_size 参数进行适当的批处理：

texts = [
    "Mutations in KRAS gene drive oncogenic transformation.",
    "The tumor suppressor p53 pathway was disrupted.",
    "EGFR amplification promotes cancer cell proliferation.",
    "Loss of function of the PTEN gene is common in many cancers.",
    "The PI3K/AKT/mTOR pathway is a critical regulator of cell growth.",
]

# 使用优化的批量大小进行高效批量处理
# 根据你的GPU内存调整batch_size（通常为8、16、32或64）
results = medical_ner_pipeline(texts, batch_size=8)

for i, entities in enumerate(results):
    print(f"文本 {i+1} 的实体:")
    for entity in entities:
        print(f"  - {entity['word']} ({entity['entity_group']}): {entity['score']:.4f}")

大型数据集处理

为了高效处理大型数据集：

from transformers.pipelines.pt_utils import KeyDataset
from datasets import Dataset
import pandas as pd

# 加载数据
# 从Hugging Face加载医学数据集
from datasets import load_dataset

# 加载公共医学数据集（使用子集进行测试）
medical_dataset = load_dataset("BI55/MedText", split="train[:100]")  # 加载前100个示例
data = pd.DataFrame({"text": medical_dataset["Completion"]})
dataset = Dataset.from_pandas(data)

# 使用适合你硬件的最佳批处理进行处理
batch_size = 16  # 根据你的GPU内存调整此值
results = []

for out in medical_ner_pipeline(KeyDataset(dataset, "text"), batch_size=batch_size):
    results.extend(out)

print(f"使用批处理处理了 {len(results)} 个文本")

性能优化

批量大小指南：

• CPU：从 batch_size=1-4 开始。
• 单GPU：根据GPU内存尝试 batch_size=8-32。
• 高端GPU：可以处理 batch_size=64 或更高。
• 监控GPU利用率，以找到适合你硬件的最佳批量大小。

内存考虑：

# 对于有限的GPU内存，使用较小的批次
medical_ner_pipeline = pipeline(
    model=model_name,
    aggregation_strategy="simple",
    device=0  # 指定GPU设备
)

# 使用内存高效的批处理进行处理
for batch_start in range(0, len(texts), batch_size):
    batch = texts[batch_start:batch_start + batch_size]
    batch_results = medical_ner_pipeline(batch, batch_size=len(batch))
    results.extend(batch_results)

✨ 主要特性

• 高精度：针对生物医学实体识别进行了优化。
• 特定领域：在精心策划的BIONLP2013_CG数据集上进行训练。
• 可用于生产：在临床基准测试中得到验证。
• 易于集成：与Hugging Face Transformers生态系统兼容。

📦 安装指南

pip install transformers torch

💻 使用示例

基础用法

from transformers import pipeline

# 加载模型和分词器
# 模型地址: https://huggingface.co/OpenMed/OpenMed-NER-OncologyDetect-TinyMed-65M
model_name = "OpenMed/OpenMed-NER-OncologyDetect-TinyMed-65M"

# 创建pipeline
medical_ner_pipeline = pipeline(
    model=model_name,
    aggregation_strategy="simple"
)

# 示例用法
text = "Mutations in KRAS gene drive oncogenic transformation."
entities = medical_ner_pipeline(text)

print(entities)

token = entities[0]
print(text[token["start"] : token["end"]])

高级用法

texts = [
    "Mutations in KRAS gene drive oncogenic transformation.",
    "The tumor suppressor p53 pathway was disrupted.",
    "EGFR amplification promotes cancer cell proliferation.",
    "Loss of function of the PTEN gene is common in many cancers.",
    "The PI3K/AKT/mTOR pathway is a critical regulator of cell growth.",
]

# 使用优化的批量大小进行高效批量处理
# 根据你的GPU内存调整batch_size（通常为8、16、32或64）
results = medical_ner_pipeline(texts, batch_size=8)

for i, entities in enumerate(results):
    print(f"文本 {i+1} 的实体:")
    for entity in entities:
        print(f"  - {entity['word']} ({entity['entity_group']}): {entity['score']:.4f}")

📚 详细文档

数据集信息

训练详情

• 基础模型：distilbert-base-cased
• 训练框架：Hugging Face Transformers
• 优化方法：使用学习率调度的AdamW优化器
• 验证方法：在保留的测试集上进行交叉验证

模型架构

• 基础架构：distilbert-base-cased
• 任务：标记分类（命名实体识别）
• 标签：特定于数据集的实体类型
• 输入：分词后的生物医学文本
• 输出：BIO标签的实体预测

用例

此模型特别适用于以下场景：

• 临床文本挖掘：从医疗记录中提取实体。
• 生物医学研究：处理科学文献。
• 药物发现：识别化合物和药物。
• 医疗保健分析：分析患者数据和结果。
• 学术研究：支持生物医学NLP研究。

🔧 技术细节

模型概述

该模型是一款经过微调的最先进的Transformer模型，旨在为癌症遗传学 - 癌症相关遗传实体提供企业级精度。这款专业模型擅长从临床文本、研究论文和医疗保健文档中识别和提取生物医学实体，能够实现诸如药物相互作用检测、从患者记录中提取药物信息、不良事件监测、药物发现的文献挖掘以及生物医学知识图谱构建等应用，为临床和研究应用提供具备生产就绪可靠性的支持。

数据集

BioNLP 2013 CG语料库专注于癌症遗传学实体，用于肿瘤学研究和癌症基因组学。该语料库包含与癌症生物学和肿瘤遗传学相关的基因、蛋白质和分子过程的注释。它是为BioNLP共享任务2013开发的，支持开发用于癌症研究、肿瘤学研究和精准医学应用的文本挖掘系统。该数据集对于识别癌症研究文献中提到的癌症相关生物标志物、肿瘤抑制基因、癌基因和治疗靶点特别有价值。它作为评估癌症基因组学、个性化医学和肿瘤信息学中使用的NER系统的基准。

性能指标

当前模型性能

• F1分数：0.77
• 精确率：0.77
• 召回率：0.77
• 准确率：0.90

在BIONLP2013_CG数据集上的对比性能

排名基于在该数据集上训练的所有模型的F1分数性能。

图：OpenMed（开源）与最新SOTA（闭源）在生物医学NER数据集上的性能比较。

支持的实体类型

该模型可以识别和分类以下生物医学实体：

• B-Amino_acid
• B-Anatomical_system
• B-Cancer
• B-Cell
• B-Cellular_component

📄 许可证

本模型采用Apache License 2.0许可。详情请见 LICENSE。

🤝 贡献

我们欢迎各种形式的贡献！无论你有想法、功能请求，还是想加入我们推动开源医疗AI发展的使命，都欢迎与我们交流。

在Hugging Face 🤗 上关注 OpenMed Org 并点击“Watch”，以获取我们的最新发布和开发动态。