Skip to content

Latest commit

 

History

History
409 lines (290 loc) · 16.3 KB

README.tr.md

File metadata and controls

409 lines (290 loc) · 16.3 KB
Kedi maskotu, küçük harfli sözcük markası, Open Cross ve açık kaynak sağlık hizmetleri yapay zekâsı, 340M+ indirme ve 10M+ kurulum metni bulunan OpenMed README afişi

Sizin Veriniz. Sizin Modeliniz. Sizin Donanımınız.

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


İş başında görün

OpenMed bir klinik taburcu belgesindeki PII'yi gerçek zamanlı kimliksizleştiriyor
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.)

30 saniyelik örnek

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

Bir klinik NER modeli, gerekli yapıtları hazır olduktan sonra yerel çalışma zamanını kullanır.


Neden OpenMed?

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.

Cihazda, Apple'da: Swift, MLX ve iOS

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


Nasıl çalışır

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
Loading

Hızlı başlangıç

# 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

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

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"),
)

Modeller

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

Gizlilik: PII tespiti ve kimliksizleştirme

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.


Çok dilli PII (42 desteklenen yol; 35 model destekli)

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])

REST API

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: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"}'

Tam REST servis kılavuzuna bakın.


Dokümantasyon

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

Maskotumuzla tanışın

OpenMed maskotu

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.



Katkıda bulunma

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.

Teşekkürler

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.

Lisans

OpenMed SDK kaynak kodu Apache-2.0 License altında yayımlanmıştır.

Atıf

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},
}

Yıldız geçmişi

OpenMed sizin için faydalıysa, bir yıldız başkalarının onu keşfetmesine yardımcı olur.

5,400+ GitHub stars · 9 Oct 2026 snapshot


OpenMed ekibi tarafından yapıldı

Web sitesi · Dokümantasyon · X / Twitter · LinkedIn