энкодер для анализа КТ грудной клетки и поиска по отчетам
schedule 2 мин чтенияобновлено
Модель JECT_320_aligned представляет собой 3D-энкодер для компьютерной томографии грудной клетки, обученный с использованием совместного предсказательного обучения (JECT) и выровненный с радиологическими отчетами. Вся система включает предобученный энкодер изображений, пулер с латентным вниманием (latent-attention pooler) и текстовый адаптер на базе chest2vec. Инструмент позволяет получать векторные эмбеддинги КТ-сканов, выполнять поиск отчетов по изображениям и рассчитывать zero-shot оценки патологий. Разработка полезна исследователям и разработчикам медицинского ПО для анализа лучевых снимков.
Ключевые особенности
Совместное обучение: Энкодер изображений, латентный пулер и текстовый адаптер выровнены end-to-end для точного сопоставления снимков и текстовых описаний.
Гибкая подготовка данных: Поддержка форматов NIfTI (.nii.gz) и предварительно обработанных кубов (.npz) с несколькими режимами поиска легких.
Высокая точность: Протестировано на валидационном наборе данных CT-RATE с метриками макро-AUROC и Recall@K.
Что можно сделать
Поиск отчетов: Искать текстовые радиологические описания по загруженному КТ-скану грудной клетки.
Эмбеддинги КТ: Извлекать векторные представления объемов для классификации и анализа патологий.
Интеграция в пайплайны: Использовать скрипты предварительной обработки из репозитория для автоматизации работы со снимками.
Пример
import torch
from transformers import AutoModel
repo = "lukeingawesome/JECT_320_aligned"
model = AutoModel.from_pretrained(repo, trust_remote_code=True).cuda()
from huggingface_hub import snapshot_download
import sys; sys.path.insert(0, snapshot_download(repo))
from prepare import load_volume
from modeling_ject import load_text_model
volume = load_volume("scan.nii.gz", model.config).cuda()
with torch.no_grad(), torch.autocast("cuda", dtype=torch.bfloat16):
out = model(volume, ct_type=["non-contrast"])
text = load_text_model(repo, device="cuda")
with torch.no_grad(), torch.autocast("cuda", dtype=torch.bfloat16):
texts = text(["[Lungs] - A 9 mm solid nodule in the right upper lobe."])
print(model.similarity(out["embedding"].float(), texts.float()))
ПодробнееБенчмарки: image-to-report R@1 составляет 0.330, report-to-image R@1 — 0.359 на датасете CT-RATE. Требования: Наличие видеокарты с поддержкой PyTorch и CUDA для быстрой обработки объемов. Ограничения: Модель обучена только на взрослых пациентах и англоязычных отчетах. Не является медицинским изделием.
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.
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.
# lukeingawesome/JECT_320_aligned — A30, FP8 / INT8
# Драйвер NVIDIA: для CUDA 13 нужен 580+. Если старее или нет — ставится свежий nvidia-open (оставить свой: KEEP_DRIVER=1)
DRV=$(nvidia-smi --query-gpu=driver_version --format=csv,noheader 2>/dev/null | head -1 | cut -d. -f1)
case "$DRV" in ""|*[!0-9]*) DRV=0 ;; esac
if [ "$DRV" -lt 580 ] && [ -z "${KEEP_DRIVER:-}" ]; then
. /etc/os-release && \
curl -fsSLO "https://developer.download.nvidia.com/compute/cuda/repos/ubuntu${VERSION_ID//./}/x86_64/cuda-keyring_1.1-1_all.deb" && \
sudo dpkg -i cuda-keyring_1.1-1_all.deb && rm -f cuda-keyring_1.1-1_all.deb && \
sudo apt-get update && \
sudo DEBIAN_FRONTEND=noninteractive apt-get install -y nvidia-open || \
{ echo "Драйвер NVIDIA поставить не удалось: смотрите ошибку выше. Чтобы оставить текущий, запустите с KEEP_DRIVER=1."; exit 1; }
echo "Драйвер NVIDIA обновлён. Перезагрузите машину (sudo reboot) и запустите этот же скрипт ещё раз."
exit 0
fi
curl -LsSf https://astral.sh/uv/install.sh | sh
source "$HOME/.local/bin/env"
uv venv ~/vllm --python 3.12 && source ~/vllm/bin/activate
uv pip install vllm
vllm serve lukeingawesome/JECT_320_aligned --max-model-len 8192 --quantization fp8
Сервер слушает порт 8000 и понимает запросы в формате OpenAI: адрес http://localhost:8000/v1 на машине. Со своего компьютера: ssh -L 8000:localhost:8000 пользователь@IP-машины.
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.
Комментарии