🚀 🧬 OpenMed-NER-PharmaDetect-SuperMedical-125M

这是一款专门用于化学实体识别的模型，能够从BC5CDR数据集中精准识别和提取生物医学实体，在临床和研究应用中具有极高的可靠性。

🚀 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: https://huggingface.co/OpenMed/OpenMed-NER-PharmaDetect-SuperMedical-125M
model_name = "OpenMed/OpenMed-NER-PharmaDetect-SuperMedical-125M"

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

# 示例用法
text = "Administration of metformin reduced glucose levels significantly."
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。有关详细解释，请参阅 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 参数进行适当的批量处理：

texts = [
    "Administration of metformin reduced glucose levels significantly.",
    "The study evaluated the efficacy of cisplatin in cancer treatment.",
    "Patients received ibuprofen for inflammation management.",
    "The patient's medication was switched to tamoxifen to prevent breast cancer recurrence.",
    "Lithium carbonate is often prescribed for the management of bipolar disorder.",
]

# 使用优化的批量大小进行高效批量处理
# 根据您的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加载医疗数据集
from datasets import load_dataset

# 加载公共医疗数据集（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)

# 根据您的硬件进行最优批量处理
batch_size = 16  # 根据您的GPU内存进行调整
results = []

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

print(f"使用批量处理处理了 {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，以找到适合您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
)

# 使用节省内存的批量处理
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BC5CDR_CHEM数据集上进行训练。
• 可用于生产：在临床基准上进行了验证。
• 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: https://huggingface.co/OpenMed/OpenMed-NER-PharmaDetect-SuperMedical-125M
model_name = "OpenMed/OpenMed-NER-PharmaDetect-SuperMedical-125M"

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

# 示例用法
text = "Administration of metformin reduced glucose levels significantly."
entities = medical_ner_pipeline(text)

print(entities)

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

高级用法

# 批量处理示例
texts = [
    "Administration of metformin reduced glucose levels significantly.",
    "The study evaluated the efficacy of cisplatin in cancer treatment.",
    "Patients received ibuprofen for inflammation management.",
    "The patient's medication was switched to tamoxifen to prevent breast cancer recurrence.",
    "Lithium carbonate is often prescribed for the management of bipolar disorder.",
]

# 使用优化的批量大小进行高效批量处理
# 根据您的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

模型概述

该模型是一款经过微调的最先进的Transformer模型，旨在为化学实体识别提供企业级的准确性，能够识别和提取临床文本、研究论文和医疗保健文档中的生物医学实体，支持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，具有临床和研究应用所需的生产级可靠性。

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-CHEM
• I-CHEM

数据集

BC5CDR-Chem专注于从BioCreative V化学 - 疾病关系提取任务中进行化学实体识别。

BC5CDR-Chem语料库是BioCreative V化学 - 疾病关系（CDR）提取挑战的一部分，专门针对生物医学文本中的化学实体识别。该数据集包含1500篇PubMed摘要，其中有4409个带注释的化学实体，旨在支持自动化药物发现和药物警戒应用。该语料库强调与理解化学 - 疾病关系相关的化合物、药物和治疗物质。它是开发能够识别化学实体的命名实体识别（NER）系统的重要资源，可用于下游任务，如药物不良反应检测和药物再利用研究。

性能指标

当前模型性能

• F1分数：0.96
• 精确率：0.94
• 召回率：0.97
• 准确率：0.99

🏆 在BC5CDR_CHEM数据集上的比较性能

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）模型在生物医学NER数据集上的性能比较。

数据集信息

训练详情

• 基础模型：roberta-base
• 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：roberta-base
• 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：经过分词的生物医学文本
• 输出：BIO标签的实体预测

使用案例

该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：支持生物医学自然语言处理研究。

🔧 技术细节

该模型基于roberta-base进行微调，使用Hugging Face Transformers框架和AdamW优化器，并结合学习率调度进行训练。在训练过程中，使用了BC5CDR_CHEM数据集进行监督学习，通过交叉验证在保留的测试集上进行验证，以确保模型在生物医学实体识别任务上的准确性和可靠性。

📄 许可证

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

🤝 贡献

我们欢迎各种形式的贡献！如果您有想法、功能请求，或者想加入我们推动开源医疗人工智能发展的使命，我们很乐意听取您的意见。

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