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
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.)
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 0.95Un modello NER clinico usa il runtime locale dopo che i suoi artefatti richiesti sono disponibili.
| 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.
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
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
# 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
|
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"),
)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 |
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
01/15/1970intero 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.
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])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:localcurl -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.
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 |
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.
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.
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.
Il codice sorgente dell’SDK OpenMed è distribuito con Apache-2.0 License.
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},
}Se OpenMed ti è utile, una stella aiuta altri a scoprirlo.
5,400+ GitHub stars · 9 Oct 2026 snapshot
Realizzato dal team OpenMed