AxonMed-7B-Flash
медицинская языковая модель с клинической подготовкой
2 мин чтенияобновлено
Модель основана на архитектуре AxonMed и создана разработчиком SaathiMed для работы со сложной медицинской информацией. Она оптимизирована для анализа электронных медицинских карт (EHR), поддержки принятия клинических решений, извлечения сущностей и стандартизированного кодирования по МКБ-10. Модель с параметрами 7.62B демонстрирует уровень знаний, превышающий проходной балл медицинских экзаменов USMLE (США), обгоняя ряд открытых аналогов аналогичного размера. Она пригодится исследователям в области медицинской информатики, разработчикам клинического софта и для образовательных задач.
Ключевые особенности
- Клиническая специализация на основе архитектуры
AxonMedс поддержкой протоколов Harvard BRIDGE. - Результат 60.02% в тесте MedQA (USMLE Step 1/2/3) в режиме Zero-Shot (без предварительного обучения на примерах).
- Поддержка 7 языков, включая английский, французский, немецкий, испанский, китайский, хинди и русский.
- Открытые веса под лицензией Apache 2.0 для исследовательских и прикладных задач.
Что можно сделать
- Интегрировать в системы поддержки принятия решений для помощи врачам в диагностическом триаже и оценке рисков госпитализации.
- Использовать для онкологического и патоморфологического анализа (стадирование по TNM, кодирование опухолей).
- Автоматизировать извлечение нежелательных лекарственных реакций (ADE) и подбор дозировок препаратов.
- Настроить автоматическое кодирование медицинских карт в соответствии с классификацией ICD-10.
Пример
import torch
from transformers import AutoTokenizer, AutoModelForCausalLM
model_id = "Saathimed/AxonMed-7B-Flash"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
model_id,
torch_dtype=torch.float16,
device_map="auto"
)
prompt = """Solve it in a step-by-step fashion, return your answer in the following format, PROVIDE DETAILED ANALYSIS BEFORE THE RESULT:
Analysis:
...
Result:
Task: Cantemist-Coding
Input: Histopathologic examination of lung biopsy reveals invasive adenocarcinoma."""
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=256, temperature=0.2)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))Подробнее
Бенчмарки: 60.02% на MedQA (USMLE), 74.40% на PubMedQA.Параметры: 7.62 миллиарда (7.62B), библиотека
transformers.Архитектура: базовая модель
Saathimed/AxonMed-7B-Thinking.Ограничения: предназначена для исследовательской работы и поддержки решений, не заменяет клиническую диагностику врачом.










Комментарии