Skip to content
Other

qsh-medical-cxr14-fedavg-resnet18

поиск плеврального выпота на рентгене в ONNX

2 min readupdated

Компактная модель классификации изображений от Daemons-Q, которая определяет наличие плеврального выпота (жидкости в плевральной полости) по фронтальному рентгеновскому снимку грудной клетки. В основе лежит классическая свёрточная архитектура ResNet-18 (около 11,17 млн параметров), обученная с нуля методом FedAvg (федеративное обучение, при котором модель тренируется на распределённых данных без их объединения на одном сервере) по симуляции четырёх больниц. В отличие от тяжеловесных моделей, этот вариант работает с одноканальным входом разрешением 224×224 пикселя, выдаёт один логит и сразу доступен в формате ONNX, включая квантованную int8-версию. Пригодится исследователям и разработчикам для экспериментов с федеративным обучением, приватными вычислениями и инференсом в браузере.

Ключевые особенности

  • Обучена по протоколу FedAvg (12 раундов) на выборке NIH ChestX-ray14 с разбиением пациентов на четыре виртуальные клиники с разной долей снимков в проекциях AP и PA.
  • Компактный размер (~11,17 млн параметров) и готовый экспорт в ONNX (включая int8-версию и отдельный экстрактор признаков features.onnx на 512 фич).
  • Показывает AUROC 0.806 на официальном тестовом сплите NIH ChestX-ray14 при работе с одним целевым признаком (Effusion), что выше базового ориентира Wang et al. (0.7585).
  • Создана как открытый компонент демонстрационного пайплайна QSMPC-QKD-QHE-AI-Hybrid для задач безопасной и квантово-устойчивой оркестрации ИИ.

Что можно сделать

  • Использовать features.onnx и его int8-копию как готовый экстрактор признаков для обучения лёгких классификаторов прямо в браузере или под шифрованием.
  • Воспроизвести и сравнить поведение федеративного обучения при неравномерном распределении проекций снимков (AP против PA) между клиниками.
  • Протестировать локальный или клиентский инференс медицинских пайплайнов на CPU без необходимости поднимать тяжёлый PyTorch-стек.

Пример

Подготовка снимка перед подачей в ONNX-граф: исходный 1024 px PNG нужно уменьшить до 224×224 пикселей билинейным фильтром Pillow и нормализовать значения пикселей делением на 255 (остальную нормализацию выполняет сам граф). На выходе модель возвращает один логит для класса Effusion, при этом int8-версия почти не теряет в качестве (AUROC 0.8063 против 0.8065 у исходного графа).

ПодробнееМетрики на тесте (25 589 снимков): общий AUROC — 0.8065, AUROC для int8 — 0.8063, AUROC для проекции PA — 0.8428, для проекции AP — 0.7741.
Чувствительность в рабочей точке (логит -2.285): 0.883, специфичность: 0.549.
Критично соблюдать препроцессинг: при смене фильтра ресайза с Pillow bilinear на PyTorch interpolate без сглаживания меняется от 182 до 620 решений на тестовой выборке.
Ограничения: модель предназначена исключительно для исследований и демонстраций, не является медицинским изделием и не подходит для клинической диагностики.
Discuss Telegram 0

Will it run?

Runs in F32

Fits without quantisation.

  • F32weights 0.0 GB · ready files0.5 GB
  • BF16weights 0.0 GB0.5 GB
  • FP8 / INT8recommendedweights 0.0 GB0.5 GB
  • 4-bitweights 0.0 GB0.5 GB

Tip: go 8-bit.FP8 / INT8 is within about a percent of full precision in quality, takes half the memory and runs faster on RTX 40/50 and H100. Full precision only pays off for fine-tuning.

What to get for this model

Massed ComputeOpen Massed Compute

Your own GPU: FP8 / INT8 — from RTX 2060 · F32 — from RTX 2060

Massed Compute hourly prices, November 2026. The discounted price applies with the coupon at checkout.

Estimate: weights plus working memory. Long videos, high resolutions and long contexts need more.

Run it on Massed Compute

The script downloads the model to the rented machine. How to run it is in the model card.

  1. 1. Rent a machine with a fitting GPU

    Open Massed Compute
  2. 2. Paste the script into the machine's terminal

    Connect over SSH (the Massed Compute panel shows the command) or open a terminal on the machine's desktop.

    HF_TOKEN / CIVITAI_TOKENThe script starts with token lines: paste yours between the quotes. The Hugging Face token is for gated models, the Civitai one for Civitai models.

    # Daemons-Q/qsh-medical-cxr14-fedavg-resnet18
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download Daemons-Q/qsh-medical-cxr14-fedavg-resnet18 --local-dir ~/models/qsh-medical-cxr14-fedavg-resnet18
    # The model is in ~/models. How to run it is in the model card (link above).
  3. 3. Use it

    The model is in ~/models. How to run it is in the model card (link above).

Stop the machine in the panel when you are done: it bills by the minute while it runs.

How to speed it up

Picked for this model type. Choose your hardware above to see what fits you exactly.

  • FlashAttention 44.0.0b40from November 18, 2026new release

    fastest exact attention on B200

    Kernels for Blackwell (beta). Exact attention without quantisation — fine for everything, LLMs included.

    How to enable: pip install flash-attn-4; vLLM and SGLang pick it up themselves.

    Earlier generations (2)
    • FlashAttention 3 — The Hopper (H100/H200) version with FP8.
    • FlashAttention 2 — The standard for RTX 30/40/50 and A100: exact attention without the memory cost of long contexts.
  • torch.compile2.15.0from October 28, 2026new release

    10–30% for free

    Compiles the model for your GPU. Slower first run, faster afterwards.

    How to enable: model = torch.compile(model); in ComfyUI the TorchCompileModel node.

Model family

New posts about versions of qsh-medical-cxr14-fedavg-resnet18 (quants, finetunes, LoRAs) will show up under the bell.

No known relatives of this model yet. All derivatives on Hugging Face

About the model

Daemons-Q/qsh-medical-cxr14-fedavg-resnet18
Author
Daemons-Q
Category
Other
Released
Posted

On NeyroLearn

Hugging Face

00

Ask AI about this model

Answered by Gemini 4 · the chat is kept only in this tab

Comments