Skip to content

Latest commit

 

History

History
409 lines (290 loc) · 16.3 KB

README.it.md

File metadata and controls

409 lines (290 loc) · 16.3 KB
Banner README di OpenMed con la mascotte gatto, il marchio in minuscolo, Open Cross e il testo IA sanitaria open source, oltre 340 milioni di download e oltre 10 milioni di installazioni

I tuoi dati. Il tuo modello. Il tuo hardware.

Trasforma il testo clinico in informazioni strutturate e de-identificate sull’hardware che controlli.
Il runtime locale principale di OpenMed esegue estrazione e de-identificazione dopo che gli artefatti di modello richiesti sono disponibili. Download dei modelli, adattatori per provider remoti, percorsi con telemetria e integrazioni configurate dall’utente possono usare la rete; verifica i termini di ogni modello e set di dati.

PyPI package · Python 3.11+ · Model catalog · Research paper · Apache-2.0 SDK source

OpenMedKit · Apple Silicon / MLX · Android / ONNX Runtime Mobile · Browser / Transformers.js · Documentation

2,266 voci del manifesto  ·  35 lingue PII supportate da modelli  ·  Apache-2.0 SDK

English · 简体中文 · Español · Français · Deutsch · Italiano · Português · Nederlands · العربية · हिन्दी · తెలుగు · 日本語 · Türkçe · فارسی


Guardalo in azione

OpenMed de-identifica i PII da una lettera di dimissione clinica in tempo reale
De-identificazione dei PII in tempo reale: il Privacy Filter Nemotron oscura nomi, indirizzi, identificativi e dati di fatturazione da una lettera di dimissione clinica, interamente sul dispositivo. (Tutti i valori mostrati sono sintetici.)

Esempio in 30 secondi

from openmed import analyze_text

result = analyze_text(
    "Patient started on imatinib for chronic myeloid leukemia.",
    model_name="disease_detection_superclinical",
)

for entity in result.entities:
    print(f"{entity.label:<12} {entity.text:<28} {entity.confidence:.2f}")
# DISEASE      chronic myeloid leukemia     0.98
# DRUG         imatinib                     0.95

Un modello NER clinico usa il runtime locale dopo che i suoi artefatti richiesti sono disponibili.


Perché OpenMed?

Aspetto di distribuzione Perimetro dell’SDK OpenMed
Runtime principale Elabora localmente dopo la disponibilità degli artefatti richiesti
Percorsi di rete opzionali Download, adattatori remoti, telemetria e integrazioni possono usare la rete
Validazione Il responsabile verifica termini di modelli e dati, privacy e idoneità clinica
Interfacce Python, Swift, Android, browser e servizi dove supportati
  • Catalogo di modelli selezionato: convalida ogni modello, licenza e set di dati per il tuo caso d’uso.
  • Configurazione allineata a Safe Harbor: può individuare le 18 categorie di identificatori; resta necessaria una revisione esperta del deployment e l’uso dell’SDK non dimostra da solo la conformità HIPAA.
  • Percorsi di esecuzione supportati: gli adattatori CPU, CUDA, MLX, mobile, servizio e browser variano in base ad ambiente e artefatto.
  • Interfacce di deployment: Python, container, servizi e flussi batch richiedono configurazione e convalida.
  • Codice sorgente dell’SDK: distribuito con Apache-2.0 License; i termini di modelli e set di dati variano.

Sul dispositivo, su Apple: Swift, MLX e iOS

Sull’hardware Apple supportato, OpenMed può usare MLX e OpenMedKit per l’elaborazione locale dopo la disponibilità degli artefatti richiesti. L’acquisizione dei modelli e le integrazioni remote configurate dall’utente restano confini di rete separati.

// Add OpenMedKit to your app
dependencies: [
    .package(url: "https://github.com/maziyarpanahi/openmed.git", from: "3.2.0"),
]
  • Runtime MLX per la classificazione dei token PII, la famiglia Privacy Filter e le attività zero-shot sperimentali della famiglia GLiNER, con un percorso di fallback CoreML.
  • Un solo nome di modello, tutte le piattaforme: su hardware non Apple, i nomi dei modelli MLX ricadono automaticamente sul checkpoint PyTorch corrispondente.
  • Python su Apple Silicon anche: pip install --upgrade "openmed[mlx]".

Guide: Backend MLX · OpenMedKit (Swift) · Esportazione CoreML


Come funziona

flowchart LR
    A["Testo clinico"] --> B["OpenMed<br/>(locale per impostazione)"]
    B --> C["Entità mediche"]
    B --> D["PII rilevati"]
    B --> E["Testo de-identificato"]
    style B fill:#0D6E6E,stroke:#0A5656,stroke-width:2px,color:#ffffff
    style C fill:#D6EBEB,stroke:#0D6E6E,color:#0E1116
    style D fill:#F7DCD8,stroke:#C5453A,color:#0E1116
    style E fill:#F5E27A,stroke:#A9A088,color:#0E1116
Loading

Avvio rapido

# Core + Hugging Face runtime (Linux, macOS, Windows; CPU or CUDA)
pip install --upgrade "openmed[hf]"

# Add the REST service
pip install --upgrade "openmed[hf,service]"

# Apple Silicon acceleration (MLX)
pip install --upgrade "openmed[mlx]"

API Python

from openmed import analyze_text

analyze_text(
  "Patient received 75mg "
  "clopidogrel for NSTEMI.",
  model_name=
  "pharma_detection_superclinical",
)

Servizio REST

python -m openmed.service.logging \
  --host 0.0.0.0 --port 8080

GET /health POST /analyze POST /pii/extract POST /pii/deidentify

Batch

from openmed import BatchProcessor

p = BatchProcessor(
  model_name=
  "disease_detection_superclinical",
  group_entities=True,
)
p.process_texts([...])

Offline / isolato? Punta model_name (o model_id) a una directory locale e OpenMed la carica senza contattare l'Hub di Hugging Face:

from openmed import OpenMedConfig, analyze_text

result = analyze_text(
    "Patient presents with chronic myeloid leukemia and Type 2 diabetes.",
    model_id="./models/OpenMed-NER-DiseaseDetect-SuperClinical-434M",
    config=OpenMedConfig(device="cpu"),
)

Modelli

Un registro curato di modelli NER medici specializzati: esplora il catalogo completo.

Modello Specializzazione Tipi di entità Dimensione
disease_detection_superclinical Malattie e condizioni DISEASE, CONDITION, DIAGNOSIS 434M
pharma_detection_superclinical Farmaci e terapie DRUG, MEDICATION, TREATMENT 434M
pii_superclinical_large PII e de-identificazione NAME, DATE, SSN, PHONE, EMAIL, ADDRESS 434M
anatomy_detection_electramed Anatomia e parti del corpo ANATOMY, ORGAN, BODY_PART 109M
gene_detection_genecorpus Geni e proteine GENE, PROTEIN 109M

Privacy: rilevamento e de-identificazione dei PII

from openmed import extract_pii, deidentify

text = "Patient: John Doe, DOB: 01/15/1970, SSN: 123-45-6789"

# Extract PII with smart merging (prevents tokenization fragmentation)
result = extract_pii(text, model_name="pii_superclinical_large", use_smart_merging=True)

# De-identify with the method you need
deidentify(text, method="mask")     # [NAME], [DATE]
deidentify(text, method="replace")  # Faker-backed, locale-aware, format-preserving fakes
deidentify(text, method="hash")     # Cryptographic hashing
deidentify(text, method="shift_dates", date_shift_days=180)
  • La fusione intelligente delle entità mantiene 01/15/1970 intero invece di frammentarlo.
  • Offuscamento basato su Faker con provider personalizzati di identificativi clinici (CPF, CNPJ, BSN, NIR, Codice Fiscale, NIE, Aadhaar, Steuer-ID, NPI).
  • Perimetro HIPAA: categorie allineate a Safe Harbor e soglie configurabili sono strumenti di implementazione; resta necessaria una revisione esperta del deployment e l’uso del solo SDK non dimostra la conformità.

Notebook PII completo · Fusione intelligente · Anonimizzazione

Famiglia Privacy Filter: tre famiglie di modelli sull'architettura OpenAI Privacy Filter

Il codice del modello è identico (transformer MoE sparso in stile gpt-oss con attenzione locale, token sink, RoPE+YaRN, tokenizzazione tiktoken o200k_base); cambiano solo i dati di addestramento. Tutti usano la stessa API extract_pii() / deidentify(): cambia solo l'argomento model_name=.

Variante PyTorch (CPU + CUDA) MLX (Apple Silicon) MLX 8-bit
OpenAI Privacy Filter openai/privacy-filter OpenMed/privacy-filter-mlx …-mlx-8bit
Nemotron-PII fine-tune OpenMed/privacy-filter-nemotron …-nemotron-mlx …-nemotron-mlx-8bit
OpenMed Multilingual OpenMed/privacy-filter-multilingual …-multilingual-mlx …-multilingual-mlx-8bit
from openmed import extract_pii

text = "Patient Sarah Connor (DOB: 03/15/1985) at MRN 4471882."

extract_pii(text, model_name="openai/privacy-filter")              # PyTorch baseline
extract_pii(text, model_name="OpenMed/privacy-filter-nemotron")    # same code, different weights
extract_pii(text, model_name="OpenMed/privacy-filter-mlx")         # Apple Silicon (MLX)

Sugli host non Apple Silicon, i nomi dei modelli MLX vengono sostituiti automaticamente con il checkpoint PyTorch corrispondente (con un avviso una tantum): scrivi un solo nome di modello, eseguilo ovunque. Vedi Architettura Privacy Filter e routing del backend.


PII multilingue (42 route supportate; 35 supportate da modelli)

Estrazione e de-identificazione in en, fr, de, it, es, nl, hi, te, pt, ar, ja e tr: il catalogo registrato dei modelli PII in totale.

python -c "from openmed import extract_pii; print([(e.label, e.text) for e in extract_pii('Dr. Pedro Almeida, CPF: 123.456.789-09, email: pedro@hospital.pt', lang='pt').entities])"
Mostra esempi per lingua (portoghese, olandese, hindi, arabo, giapponese, turco)
from openmed import extract_pii

portuguese = extract_pii("Paciente: Pedro Almeida, CPF: 123.456.789-09, telefone: +351 912 345 678", lang="pt", use_smart_merging=True)
dutch      = extract_pii("Patiënt: Eva de Vries, BSN: 123456782, telefoon: +31 6 12345678", lang="nl", use_smart_merging=True)
hindi      = extract_pii("रोगी: अनीता शर्मा, फोन: +91 9876543210, पता: नई दिल्ली 110001", lang="hi", use_smart_merging=True)
arabic     = extract_pii("المريضة ليلى حسن، الهاتف +20 10 1234 5678، الرقم القومي 29801011234567.", lang="ar", use_smart_merging=True)
japanese   = extract_pii("患者 佐藤 花子、電話 +81 90 1234 5678、マイナンバー 1234 5678 9012.", lang="ja", use_smart_merging=True)
turkish    = extract_pii("Hasta Ayşe Yılmaz, telefon +90 532 123 45 67, TCKN 10000000146.", lang="tr", use_smart_merging=True)

for r in (portuguese, dutch, hindi, arabic, japanese, turkish):
    print([(e.label, e.text) for e in r.entities])

REST API

Un servizio FastAPI compatibile con Docker, con validazione delle richieste, precaricamento della pipeline condivisa e involucri di errore unificati.

pip install --upgrade "openmed[hf,service]"
python -m openmed.service.logging --host 0.0.0.0 --port 8080

# or with Docker
docker build -t openmed:local .
docker run --rm -p 8080:8080 -e OPENMED_PROFILE=prod openmed:local
curl -X POST http://127.0.0.1:8080/pii/extract \
  -H "Content-Type: application/json" \
  -d '{"text":"Paciente: Maria Garcia, DNI: 12345678Z","lang":"es"}'

Consulta la guida completa al servizio REST.


Documentazione

Guide complete su openmed.life/docs.

Per iniziare Analizza testo Registro dei modelli
Guida al rilevamento PII Anonimizzazione Elaborazione batch
Profili di configurazione Servizio REST Backend MLX

Conosci la mascotte

Mascotte di OpenMed

Il guardiano di OpenMed è un soffice gatto persiano nei panni di un piccolo Avicenna (Ibn Sina), il grande medico persiano il cui Canone della medicina fu il testo medico di riferimento nel mondo per circa 600 anni. Veglia sul libro aperto del sapere medico, con una palette ispirata al turchese persiano (fīrūza): un guardiano local-first per i tuoi dati più riservati.



Contribuire

I contributi sono benvenuti: segnalazioni di bug, richieste di funzionalità e PR.

  • Apri una issue
  • Traduzioni benvenute: aiuta a completare i README nelle altre lingue collegati nel selettore in alto.

Ringraziamenti

OpenMed si basa su eccellente lavoro open source: un ringraziamento speciale a OpenAI (l'architettura Privacy Filter), NVIDIA (il dataset Nemotron PII), Hugging Face (transformers e l'ecosistema di modelli), Apple (MLX) e i manutentori di Faker.

Licenza

Il codice sorgente dell’SDK OpenMed è distribuito con Apache-2.0 License.

Citazione

Se OpenMed ti è utile nella tua ricerca, ti preghiamo di citarlo:

@misc{panahi2025openmedneropensourcedomainadapted,
      title={OpenMed NER: Open-Source, Domain-Adapted State-of-the-Art Transformers for Biomedical NER Across 12 Public Datasets},
      author={Maziyar Panahi},
      year={2025},
      eprint={2508.01630},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2508.01630},
}

Cronologia delle stelle

Se OpenMed ti è utile, una stella aiuta altri a scoprirlo.

5,400+ GitHub stars · 9 Oct 2026 snapshot


Realizzato dal team OpenMed

Sito web · Documentazione · X / Twitter · LinkedIn