Radmatch-M3-V1
ранжирование радиологических заключений
2 мин чтенияобновлено
Модель предназначена для англоязычных медицинских текстов и ранжирует подходящие диагностические заключения (impressions) по разделу описания исследования (findings). Она создана на базе BAI/bge-m3 и обучена методом файнтюнинга для задач семантического поиска в радиологии. Модель не генерирует новые отчеты, а помогает находить релевантные формулировки среди готовых вариантов. Она пригодится исследователям и разработчикам, работающим с медицинскими текстовыми данными.
Ключевые особенности
- Специализация на радиологических текстах (абдоминальная, грудная клетка, неврология и др.)
- Плотные эмбеддинги размерности 1024 для семантического поиска
- Высокие показатели точности на внутренних тестах по сравнению с базовыми моделями
- Полный файнтюнинг энкодера на базе BAI/bge-m3
Что можно сделать
- Настроить поиск по базе радиологических заключений в исследовательской системе
- Ранжировать кандидатов заключений по результатам описания снимков
- Протестировать плотный поиск (dense retrieval) с использованием библиотеки FlagEmbedding
Пример
Пример кода для кодирования описания исследования и ранжирования кандидатов:
import numpy as np
from FlagEmbedding import BGEM3FlagModel
model = BGEM3FlagModel(
"RadiOtter/Radmatch-M3-V1",
use_fp16=False,
)
findings = ["The lungs are clear. No pleural effusion or pneumothorax."]
impressions = [
"No acute cardiopulmonary abnormality.",
"Left lower lobe pneumonia with a small pleural effusion.",
"Right-sided pneumothorax."
]
queries = model.encode(findings, batch_size=1, max_length=512)["dense_vecs"]
passages = model.encode(impressions, batch_size=3, max_length=256)["dense_vecs"]
queries = np.asarray(queries, dtype=np.float32)
passages = np.asarray(passages, dtype=np.float32)
queries /= np.maximum(np.linalg.norm(queries, axis=1, keepdims=True), 1e-12)
passages /= np.maximum(np.linalg.norm(passages, axis=1, keepdims=True), 1e-12)
scores = queries @ passages.T
for index in np.argsort(-scores[0]):
print(f"{scores[0, index]:.4f} {impressions[index]}")Подробнее
Берёт за основу модель BAI/bge-m3 (размер 0.57B параметров).Архитектура: XLM-RoBERTa-based BGE-M3 энкодер.
Ограничения: не является диагностическим инструментом и не прошло независимую клиническую валидацию.










Комментарии