Lokale Gesundheits-KI, die das Gerät nie verlässt

Verwandle klinischen Text mit einer einzigen Codezeile in strukturierte Erkenntnisse.
Entitätsextraktion, PII-De-Identifikation und über 1.000 spezialisierte medizinische Modelle, die vollständig auf deiner eigenen Hardware laufen — vom Einzeiler in Python bis zur nativen Swift-App auf dem iPhone, beschleunigt durch Apple MLX. Keine Cloud. Keine Anbieterbindung. Keine Patientendaten, die dein Netzwerk verlassen.

1.000+ Modelle · 12 Sprachen · 247 PII-Checkpoints · 100 % auf dem Gerät · Apache-2.0

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

--- ## In Aktion

_{PII-De-Identifikation in Echtzeit — der Nemotron Privacy Filter schwärzt Namen, Adressen, IDs und Abrechnungsdaten aus einem klinischen Entlassungsbericht, vollständig auf dem Gerät. (Alle gezeigten Werte sind synthetisch.)}

--- ## Beispiel in 30 Sekunden ```python 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 ``` Ein hochmodernes klinisches NER-Modell, das lokal läuft — kein API-Schlüssel, kein Netzwerkaufruf. --- ## Warum OpenMed? | | **OpenMed** | Cloud-Medizin-APIs | | ------------------------------------- | :----------------------: | :-----------------------: | | Läuft auf deinem Gerät/deinen Servern | ✅ | ❌ | | Patientendaten verlassen dein Netzwerk | **Nie** | An den Anbieter gesendet | | Kosten | Kostenlos & Open Source | Abrechnung pro Aufruf | | Spezialisierte medizinische Modelle | 1.000+ | Begrenzt | | Sprachen | 12+ | Unterschiedlich | | Offline / air-gapped | ✅ | ❌ | | Apple-Silicon-Beschleunigung (MLX) | ✅ | — | | Native iOS-/macOS-Apps | ✅ via OpenMedKit | ❌ | | Anbieterbindung | Keine — Apache-2.0 | Ja | - **Spezialisierte Modelle** — über 1.000 kuratierte biomedizinische und klinische Modelle, von denen viele proprietäre Lösungen übertreffen. - **HIPAA-konforme De-Identifikation** — alle 18 Safe-Harbor-Identifikatoren, intelligentes Entity-Merging und formaterhaltende Fake-Ersetzungen. - **Läuft überall** — CPU, CUDA, Apple Silicon (MLX) und nativ in iOS-/macOS-Apps via OpenMedKit. - **Bereitstellung in einer Zeile** — Python-API, dockerisierter REST-Dienst oder Batch-Pipelines. - **Keine Bindung** — Apache-2.0, deine Infrastruktur, deine Daten. --- ## Auf dem Gerät, auf Apple — Swift, MLX & iOS OpenMed ist dafür gebaut, dort zu laufen, wo deine Daten bereits leben. Auf Apple-Hardware beschleunigt es mit **MLX** und gelangt über **[OpenMedKit](swift/OpenMedKit)** direkt in iPhone-, iPad- und Mac-Apps — sodass PII-Erkennung und klinische Extraktion vollständig offline, auf dem Gerät, stattfinden. ```swift // Add OpenMedKit to your app dependencies: [ .package(url: "https://github.com/maziyarpanahi/openmed.git", from: "1.5.5"), ] ``` - **MLX-Runtime** für PII-Token-Klassifikation, die Privacy-Filter-Familie und experimentelle Zero-Shot-Aufgaben der GLiNER-Familie — mit CoreML-Fallback. - **Ein Modellname, jede Plattform** — auf Nicht-Apple-Hardware greifen MLX-Modellnamen automatisch auf den passenden PyTorch-Checkpoint zurück. - **Python auf Apple Silicon** ebenfalls: `pip install "openmed[mlx]"`. Anleitungen: [MLX-Backend](docs/mlx-backend.md) · [OpenMedKit (Swift)](docs/swift-openmedkit.md) · [CoreML-Export](docs/coreml-export.md) --- ## So funktioniert es ```mermaid flowchart LR A["Klinischer Text"] --> B["OpenMed
(100 % auf dem Gerät)"] B --> C["Medizinische Entitäten"] B --> D["PII erkannt"] B --> E["De-identifizierter Text"] 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 ``` --- ## Schnellstart ```bash # 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]" ```

**Python-API** ```python from openmed import analyze_text analyze_text( "Patient received 75mg " "clopidogrel for NSTEMI.", model_name= "pharma_detection_superclinical", ) ```

**REST-Dienst** ```bash uvicorn openmed.service.app:app \ --host 0.0.0.0 --port 8080 ``` `GET /health` `POST /analyze` `POST /pii/extract` `POST /pii/deidentify`

**Batch** ```python from openmed import BatchProcessor p = BatchProcessor( model_name= "disease_detection_superclinical", group_entities=True, ) p.process_texts([...]) ```

**Offline / air-gapped?** Verweise `model_name` (oder `model_id`) auf ein lokales Verzeichnis, und OpenMed lädt es, ohne den Hugging Face Hub zu kontaktieren: ```python 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"), ) ``` --- ## Modelle Ein kuratiertes Registry spezialisierter medizinischer NER-Modelle — durchstöbere den [vollständigen Katalog](https://openmed.life/docs/model-registry). | Modell | Spezialisierung | Entitätstypen | Größe | |--------|-----------------|---------------|-------| | `disease_detection_superclinical` | Krankheiten & Befunde | DISEASE, CONDITION, DIAGNOSIS | 434M | | `pharma_detection_superclinical` | Arzneimittel & Medikation | DRUG, MEDICATION, TREATMENT | 434M | | `pii_superclinical_large` | PII & De-Identifikation | NAME, DATE, SSN, PHONE, EMAIL, ADDRESS | 434M | | `anatomy_detection_electramed` | Anatomie & Körperteile | ANATOMY, ORGAN, BODY_PART | 109M | | `gene_detection_genecorpus` | Gene & Proteine | GENE, PROTEIN | 109M | --- ## Datenschutz: PII-Erkennung & De-Identifikation ```python 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) ``` - **Intelligentes Entity-Merging** hält `01/15/1970` zusammen, statt es zu fragmentieren. - **Faker-basierte Verschleierung** mit benutzerdefinierten Anbietern für klinische IDs (CPF, CNPJ, BSN, NIR, Codice Fiscale, NIE, Aadhaar, Steuer-ID, NPI). - **HIPAA**: alle 18 Safe-Harbor-Identifikatoren, mit konfigurierbaren Konfidenzschwellen. [Vollständiges PII-Notebook](examples/notebooks/PII_Detection_Complete_Guide.ipynb) · [Intelligentes Merging](docs/pii-smart-merging.md) · [Anonymisierung](docs/anonymization.md)

Privacy-Filter-Familie — drei Modellfamilien auf der OpenAI-Privacy-Filter-Architektur

Der Modellcode ist identisch (gpt-oss-artiger Sparse-MoE-Transformer mit lokaler Attention, Sink-Tokens, RoPE+YaRN, tiktoken-`o200k_base`-Tokenisierung); nur die Trainingsdaten unterscheiden sich. Alle nutzen **dieselbe** `extract_pii()` / `deidentify()`-API — nur das Argument `model_name=` ändert sich. | Variante | PyTorch (CPU + CUDA) | MLX (Apple Silicon) | MLX 8-bit | | --- | --- | --- | --- | | **OpenAI Privacy Filter** | [`openai/privacy-filter`](https://huggingface.co/openai/privacy-filter) | [`OpenMed/privacy-filter-mlx`](https://huggingface.co/OpenMed/privacy-filter-mlx) | [`…-mlx-8bit`](https://huggingface.co/OpenMed/privacy-filter-mlx-8bit) | | **Nemotron-PII fine-tune** | [`OpenMed/privacy-filter-nemotron`](https://huggingface.co/OpenMed/privacy-filter-nemotron) | [`…-nemotron-mlx`](https://huggingface.co/OpenMed/privacy-filter-nemotron-mlx) | [`…-nemotron-mlx-8bit`](https://huggingface.co/OpenMed/privacy-filter-nemotron-mlx-8bit) | | **OpenMed Multilingual** | [`OpenMed/privacy-filter-multilingual`](https://huggingface.co/OpenMed/privacy-filter-multilingual) | [`…-multilingual-mlx`](https://huggingface.co/OpenMed/privacy-filter-multilingual-mlx) | [`…-multilingual-mlx-8bit`](https://huggingface.co/OpenMed/privacy-filter-multilingual-mlx-8bit) | ```python 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) ``` Auf Nicht-Apple-Silicon-Hosts werden MLX-Modellnamen automatisch durch den passenden PyTorch-Checkpoint ersetzt (mit einer einmaligen Warnung) — schreibe einen Modellnamen, führe ihn überall aus. Siehe [Privacy-Filter-Architektur & Backend-Routing](docs/anonymization.md#privacy-filter-family).

--- ## Mehrsprachige PII (12 Sprachen) Extraktion und De-Identifikation in `en`, `fr`, `de`, `it`, `es`, `nl`, `hi`, `te`, `pt`, `ar`, `ja` und `tr` — insgesamt **247 PII-Checkpoints**. ```bash 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])" ```

Beispiele pro Sprache anzeigen (Portugiesisch, Niederländisch, Hindi, Arabisch, Japanisch, Türkisch)

```python 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 Ein Docker-freundlicher FastAPI-Dienst mit Request-Validierung, gemeinsamem Pipeline-Preload und einheitlichen Fehler-Envelopes. ```bash pip install "openmed[hf,service]" uvicorn openmed.service.app:app --host 0.0.0.0 --port 8080 # or with Docker docker build -t openmed:1.5.5 . docker run --rm -p 8080:8080 -e OPENMED_PROFILE=prod openmed:1.5.5 ``` ```bash 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"}' ``` Siehe die vollständige [REST-Dienst-Anleitung](docs/rest-service.md). --- ## Dokumentation Vollständige Anleitungen unter **[openmed.life/docs](https://openmed.life/docs/)**. | | | | |---|---|---| | [Erste Schritte](https://openmed.life/docs/) | [Text analysieren](https://openmed.life/docs/analyze-text) | [Modell-Registry](https://openmed.life/docs/model-registry) | | [PII-Erkennungsleitfaden](examples/notebooks/PII_Detection_Complete_Guide.ipynb) | [Anonymisierung](docs/anonymization.md) | [Batch-Verarbeitung](https://openmed.life/docs/batch-processing) | | [Konfigurationsprofile](https://openmed.life/docs/profiles) | [REST-Dienst](docs/rest-service.md) | [MLX-Backend](docs/mlx-backend.md) | --- ## Lerne unser Maskottchen kennen

Der Wächter von OpenMed ist eine flauschige Perserkatze, gestaltet als kleiner **Avicenna (Ibn Sina)** — der große persische Arzt, dessen *Kanon der Medizin* rund 600 Jahre lang das medizinische Standardwerk der Welt war. Er wacht über das aufgeschlagene Buch des medizinischen Wissens, in einer Palette rund um **persisches Türkis (fīrūza)**: ein Local-First-Wächter für deine privatesten Daten.
--- ## Mitwirken Beiträge willkommen — Bug-Reports, Feature-Wünsche und PRs. - [Ein Issue eröffnen](https://github.com/maziyarpanahi/openmed/issues) - **Übersetzungen willkommen** — hilf mit, die README in anderen Sprachen zu vervollständigen, die oben im Sprachumschalter verlinkt sind. --- ## Danksagung OpenMed baut auf hervorragender Open-Source-Arbeit auf — besonderer Dank an **OpenAI** (die [Privacy-Filter](https://huggingface.co/openai/privacy-filter)-Architektur), **NVIDIA** (den [Nemotron-PII-Datensatz](https://huggingface.co/datasets/nvidia/Nemotron-PII-v1)), **Hugging Face** (`transformers` und das Modell-Ökosystem), **Apple** ([MLX](https://github.com/ml-explore/mlx)) und die Maintainer von **[Faker](https://faker.readthedocs.io/)**. ## Lizenz Veröffentlicht unter der [Apache-2.0-Lizenz](LICENSE). ## Zitation Wenn OpenMed für deine Forschung nützlich ist, zitiere es bitte: ```bibtex @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}, } ``` --- ## Stern-Verlauf Wenn OpenMed dir nützlich ist, hilft ein Stern anderen, es zu entdecken.

---

Erstellt vom OpenMed-Team Website · Dokumentation · X / Twitter · LinkedIn