К содержимому
Другое

lsh-forest-clinical-recommender

рекомендательный движок для медицины

2 мин чтенияобновлено

Референсная реализация рекомендательной системы на основе коллаборативной фильтрации по пользователям, созданная в рамках исследовательского проекта университета UEFS (Бразилия). Модель принимает историю медицинских процедур и консультаций пациента и подсказывает релевантные следующие услуги. Под капотом используются алгоритмы MinHash (быстрая оценка схожести множеств) и LSH Forest (индекс для поиска ближайших соседей за сублинейное время) на базе библиотеки datasketch. В отличие от классических тяжёлых моделей, движок рассчитан на работу в оперативной памяти в serverless-среде и учитывает клинические ограничения по полу.

Ключевые особенности

  • Поиск похожих профилей пациентов с помощью LSH Forest и MinHash на 200 перестановках для быстрой оценки схожести Жаккара.
  • Автоматическая фильтрация рекомендаций с учётом пола пациента (например, исключение чисто женских консультаций для мужчин).
  • Четырёхуровневая система плавной деградации для решения проблемы холодного старта (cold start) при нехватке данных о новом пациенте.
  • Поддержка одиночных запросов в реальном времени и пакетной обработки (batch_query до 300 запросов) с LRU-кэшированием в RAM.

Что можно сделать

  • Встроить в медицинскую информационную систему или клинику для подсказки врачу и пациенту релевантных анализов и консультаций.
  • Адаптировать пайплайн на базе datasketch для других рекомендательных сервисов с разреженными бинарными взаимодействиями и жёсткими бизнес-фильтрами.
  • Использовать как готовый шаблон для развёртывания лёгкого рекомендательного API в serverless-архитектуре без GPU.

Пример

from lsh_recommender import LSHClinicalRecommender

patients = {
    "P001": {"sex": "F", "items": ["Pressão Arterial|Procedimento", "Glicemia|Procedimento"]},
    "P002": {"sex": "M", "items": ["Pressão Arterial|Procedimento", "Cólica Menstrual|Consulta"]},
}
model = LSHClinicalRecommender(num_perm=200, k_query=20)
model.fit(patients)
print(model.recommend(items=["Pressão Arterial|Procedimento"], sex="M", k=3))
ПодробнееЭкспериментальные метрики (Rocha-Junior et al., 2025): средняя точность (Mean Precision) — 15,1%, полнота (Recall) — ~92%.
Задержка инференса в памяти при тёплом старте (warm start): ~0,2–0,3 секунды (кэш LRU до 50 записей).
Параметры фильтрации профилей при построении индекса: от 2 до 100 элементов (отсечение выбросов), k_build = 80, k_query = 20.
Обсудить Telegram 0

Запустится ли?

Считаем требования к памяти

Бот ещё собирает размеры весов этой модели — оценка появится здесь через несколько минут. Пока можно арендовать видеокарту с запасом.

Massed ComputeОткрыть Massed Compute

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.

    # TheAndr3/lsh-forest-clinical-recommender
    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 TheAndr3/lsh-forest-clinical-recommender --local-dir ~/models/lsh-forest-clinical-recommender
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к lsh-forest-clinical-recommender
  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

Новые посты про версии lsh-forest-clinical-recommender — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

TheAndr3/lsh-forest-clinical-recommender
Автор
TheAndr3
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

tinygroove

tinygroove