К содержимому
Другое

Brain MRI Multimodal Benchmark

бенчмарк анализа МРТ

1 мин чтенияобновлено

Комплексный набор из 155 чекпоинтов и кода для мультимодальной классификации заболеваний по клиническим описаниям и МРТ снимкам головы. Модель сочетает текстовый энкодер BiomedBERT и визуальный BiomedCLIP, оценивая вклад каждого компонента в итоговый диагноз. Исследование показывает, как текстовый контекст влияет на точность распознавания медицинских данных. Набор предназначен для исследователей в сфере медицинского искусственного интеллекта.

Ключевые особенности

  • 155 чекпоинтов: охватывает различные сидированные запуски и комбинации модальностей.
  • Мультимодальный подход: объединяет текстовые отчеты, изображения МРТ и табличные данные.
  • Продвинутая архитектура: использует файнтюненные энкодеры с поздним слиянием (late fusion).
  • Проверенная база: обучение на датасете MultiCaRe с разделением по годам публикаций.

Что можно сделать

  • Запустить готовые пайплайны классификации медицинских кейсов с помощью скрипта mm_release.py.
  • Исследовать влияние текстовых подсказок и изображений МРТ на точность моделей.
  • Тестировать отдельные энкодеры для анализа признаков из открытых клинических отчетов.

Пример

from huggingface_hub import snapshot_download
import sys
d = snapshot_download('Kashif-Mahmood007/brainmri-casereport-multimodal-benchmark')
sys.path.insert(0, d)
import mm_release as R
m = R.load_best_model(seed=42)
p = R.predict_best_model(m, text=text, images=images, age=54, sex='F')
print(dict(zip(R.CLASS_NAMES, p.round(3))))
ПодробнееБенчмарки: лучший макро-F1 на внутреннем тесте составляет 0.559.
Требования: объем весов около 4.2 ГБ на диске.
Ограничения: только для исследовательских целей, слабые метки из заголовков.
Данные: обучение на 1,542 пациентах из открытого корпуса MultiCaRe.
Обсудить Telegram 0

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 0.7 GB · готовые файлы1.3 GB
  • BF16веса 0.5 GB1.1 GB
  • FP8 / INT8рекомендуемвеса 0.4 GB1.0 GB
  • 4-bitвеса 0.4 GB1.0 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · F32 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Это LoRA: вместе с базовой моделью dinov2-base.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # Kashif-Mahmood007/brainmri-casereport-multimodal-benchmark
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    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 facebook/dinov2-base --local-dir ~/models/dinov2-base
    hf download Kashif-Mahmood007/brainmri-casereport-multimodal-benchmark --local-dir ~/models/brainmri-casereport-multimodal-benchmark
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к dinov2-base
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Нужна базовая модель

facebook/dinov2-base

Эта модель — LoRA / адаптер. Сначала скачайте базовую модель, затем подключите к ней эту.

Новые посты про версии dinov2-base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 3Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 12Все на Hugging Face

О модели

Kashif-Mahmood007/brainmri-casereport-multimodal-benchmark
Автор
Kashif-Mahmood007
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

PRISM

PRISM
Другое

kron-ppg-age

kron-ppg-age