AxonMed-7B-Thinking
медицинская LLM с пошаговым клиническим мышлением
2 мин чтенияобновлено
AxonMed-7B-Thinking — специализированная медицинская модель (7.62B параметров) с открытыми весами от компании SaathiMed. Она дообучена на базе AxonMed-7B на более чем 250 000 клинических сценариев и 87 задачах бенчмарка BRIDGE. Модель решает задачи дифференциальной диагностики, извлечения данных из медкарт, определения клинического отрицания и кодирования по МКБ-10 (ICD-10). В отличие от обычных языковых моделей, она использует четырёхэтапное скрытое рассуждение в тегах ... перед выдачей ответа и поддерживает 7 языков, включая русский. Пригодится исследователям в биомедицине и разработчикам систем поддержки врачебных решений.
Ключевые особенности
- Четырёхэтапное рассуждение: перед выводом модель последовательно разбирает жалобы и показатели, оценивает дифференциальные диагнозы, проверяет дозировки или отрицания и формирует итоговое заключение.
- Структурированное извлечение данных: выделяет названия препаратов, дозировки, путь и частоту приёма, размечает сущности (проблемы, лечение, тесты) и сопоставляет случаи с кодами ICD-10.
- Детекция клинических отрицаний: точно определяет, подтверждён симптом или диагноз, исключён или только предполагается на основе контекста медкарты.
- Мультиязычность: заявлена поддержка английского, русского, хинди, испанского, китайского, немецкого и французского языков.
Что можно сделать
- Автоматизировать разбор медицинских карт: извлекать из неструктурированного текста жалоб и выписок точные схемы приёма лекарств и коды ICD-10.
- Создать прототип системы триажа: использовать модель для первичной структурированной оценки симптомов по протоколу SOAP с выделением «красных флагов».
- Встроить в пайплайны клинического NLP: применять для автоматической разметки биомедицинских текстов и выявления побочных реакций на препараты (ADE).
Пример
from transformers import AutoModelForCausalLM, AutoTokenizer
import torch
model_id = "Saathimed/AxonMed-7B-Thinking"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, torch_dtype=torch.bfloat16, device_map="auto")
inputs = tokenizer("<|im_start|>user\nPatient denies chest pain.<|im_end|>\n<|im_start|>assistant\n", return_tensors="pt").to("cuda")
outputs = model.generate(**inputs, max_new_tokens=256, temperature=0.1)
print(tokenizer.decode(outputs[0][inputs.shape[1]:], skip_special_tokens=True))
Подробнее
Zero-shot метрики (lm-evaluation-harness): MedQA — 64.10%, MedMCQA — 61.15%, PubMedQA — 75.80%.Бенчмарк BRIDGE: 92.90% на BrainMRI-AIS, 84.30% на ADE-Identification, 77.20% на русскоязычном наборе RuMedDaNet.
Формат весов:
bfloat16 (7.62B параметров), запуск через библиотеку transformers на GPU.Ограничения: предназначена для исследований и систем поддержки решений; в клинической практике требует врачебного контроля и детерминированных проверок безопасности.










Комментарии