Klinik metni kontrolünüzdeki donanımda yapılandırılmış ve kimliksizleştirilmiş içgörüye dönüştürün.
OpenMed’in temel yerel çalışma zamanı, gerekli model yapıtları hazır olduktan sonra çıkarım ve kimliksizleştirme yapar. Model indirmeleri, uzak sağlayıcı bağdaştırıcıları, telemetri etkin yollar ve kullanıcı tarafından yapılandırılan entegrasyonlar ağı kullanabilir; her modelin ve veri kümesinin koşullarını inceleyin.
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 manifest kaydı · Model destekli 35 PII dili · Apache-2.0 SDK
English · 简体中文 · Español · Français · Deutsch · Italiano · Português · Nederlands · العربية · हिन्दी · తెలుగు · 日本語 · Türkçe · فارسی
Gerçek zamanlı PII kimliksizleştirme: Nemotron Privacy Filter, bir klinik taburcu belgesindeki adları, adresleri, kimlik numaralarını ve fatura verilerini tamamen cihazda maskeliyor. (Gösterilen tüm değerler sentetiktir.)
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 0.95Bir klinik NER modeli, gerekli yapıtları hazır olduktan sonra yerel çalışma zamanını kullanır.
| Dağıtım değerlendirmesi | OpenMed SDK sınırı |
|---|---|
| Temel çalışma zamanı | Gerekli yapıtlar hazır olduktan sonra yerel olarak işler |
| İsteğe bağlı ağ yolları | İndirmeler, uzak bağdaştırıcılar, telemetri ve entegrasyonlar ağı kullanabilir |
| Doğrulama | Dağıtım sahibi model ve veri koşullarını, gizlilik davranışını ve klinik uygunluğu doğrular |
| Arayüzler | Desteklendiği yerlerde Python, Swift, Android, tarayıcı ve hizmetler |
- Seçilmiş model kataloğu: Her modeli, lisansı ve veri kümesini kullanım amacınız için doğrulayın.
- Safe Harbor ile uyumlu yapılandırma: 18 tanımlayıcı kategorisini hedefleyebilir; uzman dağıtım incelemesi yine gereklidir ve SDK kullanımı tek başına HIPAA uyumluluğunu kanıtlamaz.
- Desteklenen yürütme yolları: CPU, CUDA, MLX, mobil, hizmet ve tarayıcı bağdaştırıcıları ortama ve yapıta göre değişir.
- Dağıtım arayüzleri: Python, kapsayıcılar, hizmetler ve toplu iş akışları yapılandırma ve doğrulama gerektirir.
- SDK kaynak kodu: Apache-2.0 License altında yayımlanır; model ve veri kümesi koşulları değişir.
Desteklenen Apple donanımında OpenMed, gerekli yapıtlar hazır olduktan sonra yerel işleme için MLX ve OpenMedKit kullanabilir. Model edinme ve kullanıcı tarafından yapılandırılan uzak entegrasyonlar ayrı ağ sınırlarıdır.
// Add OpenMedKit to your app
dependencies: [
.package(url: "https://github.com/maziyarpanahi/openmed.git", from: "3.2.0"),
]- MLX çalışma zamanı: PII token sınıflandırması, Privacy Filter ailesi ve deneysel GLiNER ailesi zero-shot görevleri için (CoreML yedek yolu ile).
- Tek model adı, her platform: Apple olmayan donanımda MLX model adları otomatik olarak ilgili PyTorch denetim noktasına geri döner.
- Apple Silicon'da Python da:
pip install --upgrade "openmed[mlx]".
Kılavuzlar: MLX arka ucu · OpenMedKit (Swift) · CoreML dışa aktarma
flowchart LR
A["Klinik metin"] --> B["OpenMed<br/>(yerel öncelikli)"]
B --> C["Tıbbi varlıklar"]
B --> D["PII tespit edildi"]
B --> E["Kimliksizleştirilmiş metin"]
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]"|
Python API from openmed import analyze_text
analyze_text(
"Patient received 75mg "
"clopidogrel for NSTEMI.",
model_name=
"pharma_detection_superclinical",
) |
REST servisi python -m openmed.service.logging \
--host 0.0.0.0 --port 8080
|
Toplu from openmed import BatchProcessor
p = BatchProcessor(
model_name=
"disease_detection_superclinical",
group_entities=True,
)
p.process_texts([...]) |
Çevrimdışı / izole mi? model_name'i (veya model_id'yi) yerel bir dizine yönlendirin; OpenMed onu Hugging Face Hub'a bağlanmadan yükler:
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"),
)Özelleşmiş tıbbi NER modellerinden oluşan özenle seçilmiş bir kayıt, tam kataloğa göz atın.
| Model | Uzmanlık | Varlık türleri | Boyut |
|---|---|---|---|
disease_detection_superclinical |
Hastalıklar ve durumlar | DISEASE, CONDITION, DIAGNOSIS | 434M |
pharma_detection_superclinical |
İlaçlar ve tedaviler | DRUG, MEDICATION, TREATMENT | 434M |
pii_superclinical_large |
PII ve kimliksizleştirme | NAME, DATE, SSN, PHONE, EMAIL, ADDRESS | 434M |
anatomy_detection_electramed |
Anatomi ve vücut bölümleri | ANATOMY, ORGAN, BODY_PART | 109M |
gene_detection_genecorpus |
Genler ve proteinler | 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)- Akıllı varlık birleştirme,
01/15/1970'i parçalamak yerine bütün tutar. - Faker tabanlı gizleme: klinik kimlikler için özel sağlayıcılarla (CPF, CNPJ, BSN, NIR, Codice Fiscale, NIE, Aadhaar, Steuer-ID, NPI).
- HIPAA sınırı: Safe Harbor ile uyumlu kategoriler ve yapılandırılabilir eşikler uygulama yardımcılarıdır; uzman dağıtım incelemesi yine gereklidir ve yalnızca SDK kullanımı uyumluluğu kanıtlamaz.
Tam PII defteri · Akıllı birleştirme · Anonimleştirme
Privacy Filter ailesi: OpenAI Privacy Filter mimarisi üzerinde üç model ailesi
Model kodu aynıdır (yerel dikkat, sink token'ları, RoPE+YaRN, tiktoken o200k_base tokenizasyonlu gpt-oss tarzı seyrek MoE Transformer); yalnızca eğitim verisi farklıdır. Tümü aynı extract_pii() / deidentify() API'sini kullanır, yalnızca model_name= argümanı değişir.
| Varyant | 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)Apple Silicon olmayan ana makinelerde MLX model adları otomatik olarak ilgili PyTorch denetim noktasıyla değiştirilir (tek seferlik bir uyarıyla). Bir model adı yazın, her yerde çalıştırın. Bkz. Privacy Filter mimarisi ve arka uç yönlendirme.
en, fr, de, it, es, nl, hi, te, pt, ar, ja ve tr dillerinde çıkarım ve kimliksizleştirme: toplam kayıtlı PII model kataloğu.
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])"Dile göre örnekleri göster (Portekizce, Felemenkçe, Hintçe, Arapça, Japonca, Türkçe)
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])İstek doğrulama, paylaşımlı pipeline ön yükleme ve birleşik hata zarfları içeren, Docker dostu bir FastAPI servisi.
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"}'Tam REST servis kılavuzuna bakın.
Tam kılavuzlar openmed.life/docs adresinde.
| Başlarken | Metni analiz et | Model kaydı |
| PII tespit kılavuzu | Anonimleştirme | Toplu işleme |
| Yapılandırma profilleri | REST servisi | MLX arka ucu |
OpenMed'in koruyucusu, küçük bir İbn Sina (Avicenna) olarak tasarlanmış tüylü bir İran kedisidir: Tıbbın Kanunu adlı eseri yaklaşık 600 yıl boyunca dünyanın standart tıp kitabı olan büyük Pers hekimi. Açık tıp bilgisi kitabını gözetir; renk paleti İran turkuazından (fīrūza) ilham alır: en özel verileriniz için yerel öncelikli bir koruyucu.
Katkılar memnuniyetle karşılanır: hata raporları, özellik istekleri ve PR'lar.
- Bir issue açın
- Çeviriler memnuniyetle karşılanır: üstteki dil değiştiricide bağlantılı diğer dillerdeki README'leri tamamlamaya yardımcı olun.
OpenMed, mükemmel açık kaynak çalışmaların üzerine inşa edilmiştir. Özellikle OpenAI'ye (Privacy Filter mimarisi), NVIDIA'ya (Nemotron PII veri kümesi), Hugging Face'e (transformers ve model ekosistemi), Apple'a (MLX) ve Faker geliştiricilerine teşekkürler.
OpenMed SDK kaynak kodu Apache-2.0 License altında yayımlanmıştır.
OpenMed araştırmanızda faydalı olduysa, lütfen atıfta bulunun:
@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},
}OpenMed sizin için faydalıysa, bir yıldız başkalarının onu keşfetmesine yardımcı olur.
5,400+ GitHub stars · 9 Oct 2026 snapshot
OpenMed ekibi tarafından yapıldı