laya-medical-decision-model
сортировка медицинских заметок по специальностям
2 мин чтенияобновлено
Модель берёт текст клинической заметки (или JSON-состояние) и типизированный вопрос с фиксированным списком вариантов, а на выходе за один forward pass выдаёт калиброванную вероятность для каждого варианта. Она не генерирует свободный ответ и не может вернуть специальность, которой нет в списке. Основа — encoder convaiinnovations/laya на 395,8 млн параметров; это полный файнтюн через Snapcall от AI Anytime. В карточке модель настроена на 40 медицинских специальностей — от неврологии и дерматологии до радиологии и hospice-паллиативной помощи. Пригодится для предварительной сортировки заметок, аналитики и маршрутизации до проверки человеком.
Ключевые особенности
- На входе — state и вопрос типа
choice; на выходе — вероятности по всем предложенным вариантам за один проход. - Не может придумать новый вариант: ответ всегда ограничен списком, который вы дали.
- Вероятности калиброваны: на test ECE 0,0480, температура 1,276; заявлено, что при 0,8 модель должна быть права примерно в 80% случаев.
- Запуск через Python-библиотеку
snapcallили совместимый API/v1/systemone. - Полный файнтюн базы
layaметодом SFT + RLCD, а не маленький адаптер.
Что можно сделать
- Сортировать входящие клинические заметки по специальностям: передать список вариантов и использовать вероятности для очередей.
- Считать распределение заметок по специальностям в базе или потоке документов.
- Поднять локальный API и встроить предварительную разметку перед ручной проверкой.
- Быстро прототипировать правила эскалации: например, отправлять на ревью случаи с низкой уверенностью.
Пример
from snapcall import DecisionModel
model = DecisionModel.from_pretrained("ai-anytime/laya-medical-decision-model")
result = model.decide(
state="<your input>",
questions={"q1": {"type": "choice", "instructions": "Which medical specialty does this clinical note belong to?", "criteria": {"Neurology": "Neurology", "Dermatology": "Dermatology"}}},
)
print(result["answers"]["q1"])
Подробнее
Test: accuracy 0,6431, macro F1 0,5706, ECE 0,0480; validation accuracy 0,6711.Обучение: 395,8 млн параметров, 4023/447/496 примеров, 12,5 мин на
cuda.Ограничения: только текст, без изображений и боксов; калибровка проверена на своём распределении — на новом трафике ECE стоит перепроверять. Размытые описания вариантов дают размытые решения.










Комментарии