github.com/maziyarpanahi/openmed @v1.7.0 sqlite

Cihazdan asla çıkmayan yerel öncelikli sağlık yapay zekâsı

Klinik metni tek satır kodla yapılandırılmış içgörüye dönüştürün.

Varlık çıkarımı, PII kimliksizleştirme ve tamamen kendi donanımınızda çalışan 1.000'den fazla özelleşmiş tıbbi model — Python'da tek satırdan, Apple MLX destekli iPhone'da yerel bir Swift uygulamasına kadar. Bulut yok. Tedarikçi bağımlılığı yok. Hasta verileri ağınızdan çıkmıyor.

1.000+ model  ·  12 dil  ·  247 PII denetim noktası  ·  %100 cihazda  ·  Apache-2.0

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

İş başında görün

_{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

Yerel olarak çalışan son teknoloji bir klinik NER modeli — API anahtarı yok, ağ çağrısı yok.

Neden OpenMed?

• Özelleşmiş modeller — 1.000'den fazla özenle seçilmiş biyomedikal ve klinik model; birçoğu tescilli çözümleri geride bırakır.
• HIPAA uyumlu kimliksizleştirme — 18 Safe Harbor tanımlayıcısının tamamı, akıllı varlık birleştirme ve biçimi koruyan sahte değerler.
• Her yerde çalışır — CPU, CUDA, Apple Silicon (MLX) ve OpenMedKit ile iOS/macOS uygulamalarında yerel olarak.
• Tek satırda dağıtım — Python API, Docker'lı REST servisi veya toplu işlem hatları.
• Bağımlılık yok — Apache-2.0, sizin altyapınız, sizin verileriniz.

Cihazda, Apple'da — Swift, MLX ve iOS

OpenMed, verilerinizin zaten bulunduğu yerde çalışmak için tasarlandı. Apple donanımında MLX ile hızlanır ve OpenMedKit aracılığıyla doğrudan iPhone, iPad ve Mac uygulamalarına girer — böylece PII tespiti ve klinik çıkarım tamamen çevrimdışı, cihaz üzerinde gerçekleşir.

// Add OpenMedKit to your app
dependencies: [
    .package(url: "https://github.com/maziyarpanahi/openmed.git", from: "1.5.5"),
]

• 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 "openmed[mlx]".

Kılavuzlar: MLX arka ucu · OpenMedKit (Swift) · CoreML dışa aktarma

Nasıl çalışır

flowchart LR
    A["Klinik metin"] --> B["OpenMed

(%100 cihazda)"]
    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

Hızlı başlangıç

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

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

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

from openmed import analyze_text

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

uvicorn openmed.service.app:app \
  --host 0.0.0.0 --port 8080

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.

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: 18 Safe Harbor tanımlayıcısının tamamı, yapılandırılabilir güven eşikleriyle.

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.

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 (12 dil)

en, fr, de, it, es, nl, hi, te, pt, ar, ja ve tr dillerinde çıkarım ve kimliksizleştirme — toplam 247 PII denetim noktası.

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.

```bash pip insta