మీ పరికరం నుండి ఎప్పటికీ బయటకు వెళ్లని లోకల్-ఫస్ట్ హెల్త్‌కేర్ AI

క్లినికల్ టెక్స్ట్‌ను ఒకే కోడ్ లైన్‌తో నిర్మాణాత్మక అంతర్దృష్టిగా మార్చండి.
ఎంటిటీ వెలికితీత, PII డీ-ఐడెంటిఫికేషన్, మరియు పూర్తిగా మీ స్వంత హార్డ్‌వేర్‌పై నడిచే 1,000+ ప్రత్యేక వైద్య మోడల్‌లు — Python లో ఒక లైన్ నుండి, Apple MLX ద్వారా శక్తివంతమైన iPhone లో నేటివ్ Swift యాప్ వరకు. క్లౌడ్ లేదు. వెండర్ లాక్-ఇన్ లేదు. రోగి డేటా మీ నెట్‌వర్క్ నుండి బయటకు వెళ్లదు.

1,000+ మోడల్‌లు · 12 భాషలు · 247 PII చెక్‌పాయింట్‌లు · 100% పరికరంలో · Apache-2.0

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

--- ## ప్రత్యక్షంగా చూడండి

_{రియల్-టైమ్ PII డీ-ఐడెంటిఫికేషన్ — Nemotron Privacy Filter ఒక క్లినికల్ డిశ్చార్జ్ పత్రం నుండి పేర్లు, చిరునామాలు, ID లు మరియు బిల్లింగ్ డేటాను పూర్తిగా పరికరంలోనే మాస్క్ చేస్తోంది. (చూపిన అన్ని విలువలు సింథటిక్.)}

--- ## 30 సెకన్ల ఉదాహరణ ```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 ``` అత్యాధునిక క్లినికల్ NER మోడల్ స్థానికంగా నడుస్తోంది — API కీ లేదు, నెట్‌వర్క్ కాల్ లేదు. --- ## OpenMed ఎందుకు? | | **OpenMed** | క్లౌడ్ వైద్య API లు | | ------------------------------------- | :----------------------: | :-----------------------: | | మీ పరికరం/సర్వర్‌లలో నడుస్తుంది | ✅ | ❌ | | రోగి డేటా మీ నెట్‌వర్క్ నుండి బయటకు వెళ్తుంది | **ఎప్పటికీ లేదు** | వెండర్‌కు పంపబడుతుంది | | ఖర్చు | ఉచితం & ఓపెన్-సోర్స్ | కాల్‌కు ఛార్జ్ | | ప్రత్యేక వైద్య మోడల్‌లు | 1,000+ | పరిమితం | | భాషలు | 12+ | మారుతుంది | | ఆఫ్‌లైన్ / ఐసోలేటెడ్ (air-gapped) | ✅ | ❌ | | Apple Silicon (MLX) త్వరణం | ✅ | వర్తించదు | | నేటివ్ iOS / macOS యాప్‌లు | ✅ OpenMedKit ద్వారా | ❌ | | వెండర్ లాక్-ఇన్ | లేదు — Apache-2.0 | ఉంది | - **ప్రత్యేక మోడల్‌లు** — జాగ్రత్తగా ఎంపిక చేసిన 1,000+ బయోమెడికల్ & క్లినికల్ మోడల్‌లు, వీటిలో చాలావి యాజమాన్య పరిష్కారాలను అధిగమిస్తాయి. - **HIPAA-అనుకూల డీ-ఐడెంటిఫికేషన్** — మొత్తం 18 Safe Harbor ఐడెంటిఫయర్‌లు, స్మార్ట్ ఎంటిటీ మెర్జింగ్, మరియు ఫార్మాట్‌ను నిలుపుకునే నకిలీ విలువలు. - **ప్రతిచోటా నడుస్తుంది** — CPU, CUDA, Apple Silicon (MLX), మరియు OpenMedKit ద్వారా iOS/macOS యాప్‌లలో నేటివ్‌గా. - **ఒక లైన్‌లో డిప్లాయ్‌మెంట్** — Python API, Docker REST సేవ, లేదా బ్యాచ్ పైప్‌లైన్‌లు. - **లాక్-ఇన్ లేదు** — Apache-2.0, మీ ఇన్‌ఫ్రాస్ట్రక్చర్, మీ డేటా. --- ## పరికరంలో, Apple లో — Swift, MLX మరియు iOS మీ డేటా ఇప్పటికే ఉన్న చోటే నడిచేలా OpenMed రూపొందించబడింది. Apple హార్డ్‌వేర్‌పై ఇది **MLX** తో వేగవంతమవుతుంది, మరియు **[OpenMedKit](swift/OpenMedKit)** ద్వారా నేరుగా iPhone, iPad మరియు Mac యాప్‌లలోకి చేరుతుంది — తద్వారా PII గుర్తింపు మరియు క్లినికల్ వెలికితీత పూర్తిగా ఆఫ్‌లైన్‌గా, పరికరంలోనే జరుగుతాయి. ```swift // Add OpenMedKit to your app dependencies: [ .package(url: "https://github.com/maziyarpanahi/openmed.git", from: "1.5.5"), ] ``` - **MLX రన్‌టైమ్** — PII టోకెన్ వర్గీకరణ, Privacy Filter కుటుంబం, మరియు ప్రయోగాత్మక GLiNER కుటుంబపు zero-shot పనుల కోసం (CoreML ఫాల్‌బ్యాక్ మార్గంతో). - **ఒక మోడల్ పేరు, అన్ని ప్లాట్‌ఫారమ్‌లు** — Apple కాని హార్డ్‌వేర్‌పై, MLX మోడల్ పేర్లు స్వయంచాలకంగా సంబంధిత PyTorch చెక్‌పాయింట్‌కు తిరిగి వెళ్తాయి. - **Apple Silicon పై Python** కూడా: `pip install "openmed[mlx]"`. గైడ్‌లు: [MLX బ్యాకెండ్](docs/mlx-backend.md) · [OpenMedKit (Swift)](docs/swift-openmedkit.md) · [CoreML ఎక్స్‌పోర్ట్](docs/coreml-export.md) --- ## ఇది ఎలా పనిచేస్తుంది ```mermaid flowchart LR A["క్లినికల్ టెక్స్ట్"] --> B["OpenMed
(100% పరికరంలో)"] B --> C["వైద్య ఎంటిటీలు"] B --> D["PII గుర్తించబడింది"] B --> E["డీ-ఐడెంటిఫైడ్ టెక్స్ట్"] 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 ``` --- ## త్వరిత ప్రారంభం ```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 సేవ** ```bash uvicorn openmed.service.app:app \ --host 0.0.0.0 --port 8080 ``` `GET /health` `POST /analyze` `POST /pii/extract` `POST /pii/deidentify`

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

**ఆఫ్‌లైన్ / ఐసోలేటెడ్?** `model_name` (లేదా `model_id`) ను స్థానిక డైరెక్టరీకి చూపించండి, OpenMed దానిని Hugging Face Hub ను సంప్రదించకుండా స్థానికంగా లోడ్ చేస్తుంది: ```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"), ) ``` --- ## మోడల్‌లు ప్రత్యేక వైద్య NER మోడల్‌ల క్యూరేటెడ్ రిజిస్ట్రీ — [పూర్తి కేటలాగ్](https://openmed.life/docs/model-registry) ను బ్రౌజ్ చేయండి. | మోడల్ | ప్రత్యేకత | ఎంటిటీ రకాలు | పరిమాణం | |-------|-----------|--------------|---------| | `disease_detection_superclinical` | వ్యాధులు & స్థితులు | DISEASE, CONDITION, DIAGNOSIS | 434M | | `pharma_detection_superclinical` | మందులు & ఔషధాలు | DRUG, MEDICATION, TREATMENT | 434M | | `pii_superclinical_large` | PII & డీ-ఐడెంటిఫికేషన్ | NAME, DATE, SSN, PHONE, EMAIL, ADDRESS | 434M | | `anatomy_detection_electramed` | శరీర నిర్మాణం & శరీర భాగాలు | ANATOMY, ORGAN, BODY_PART | 109M | | `gene_detection_genecorpus` | జన్యువులు & ప్రోటీన్‌లు | GENE, PROTEIN | 109M | --- ## గోప్యత: PII గుర్తింపు & డీ-ఐడెంటిఫికేషన్ ```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) ``` - **స్మార్ట్ ఎంటిటీ మెర్జింగ్** `01/15/1970` ను విభజించకుండా పూర్తిగా ఉంచుతుంది. - **Faker-ఆధారిత అస్పష్టీకరణ** — క్లినికల్ ID ల కోసం అనుకూల ప్రొవైడర్‌లతో (CPF, CNPJ, BSN, NIR, Codice Fiscale, NIE, Aadhaar, Steuer-ID, NPI). - **HIPAA**: మొత్తం 18 Safe Harbor ఐడెంటిఫయర్‌లు, కాన్ఫిగర్ చేయగల కాన్ఫిడెన్స్ థ్రెష్‌హోల్డ్‌లతో. [పూర్తి PII నోట్‌బుక్](examples/notebooks/PII_Detection_Complete_Guide.ipynb) · [స్మార్ట్ మెర్జింగ్](docs/pii-smart-merging.md) · [అనామకీకరణ](docs/anonymization.md)

Privacy Filter కుటుంబం — OpenAI Privacy Filter ఆర్కిటెక్చర్‌పై మూడు మోడల్ కుటుంబాలు

మోడల్ కోడ్ ఒకటే (స్థానిక అటెన్షన్, sink టోకెన్‌లు, RoPE+YaRN, tiktoken `o200k_base` టోకనైజేషన్‌తో gpt-oss-శైలి స్పార్స్ MoE ట్రాన్స్‌ఫార్మర్); శిక్షణ డేటా మాత్రమే వేరు. అన్నీ **ఒకే** `extract_pii()` / `deidentify()` API ద్వారా వెళ్తాయి — `model_name=` ఆర్గ్యుమెంట్ మాత్రమే మారుతుంది. | వేరియంట్ | 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) ``` Apple Silicon కాని హోస్ట్‌లపై, MLX మోడల్ పేర్లు స్వయంచాలకంగా సంబంధిత PyTorch చెక్‌పాయింట్‌తో భర్తీ చేయబడతాయి (ఒక్కసారి హెచ్చరికతో) — ఒక మోడల్ పేరు రాయండి, ఎక్కడైనా అమలు చేయండి. చూడండి [Privacy Filter ఆర్కిటెక్చర్ & బ్యాకెండ్ రూటింగ్](docs/anonymization.md#privacy-filter-family).

--- ## బహుభాషా PII (12 భాషలు) `en`, `fr`, `de`, `it`, `es`, `nl`, `hi`, `te`, `pt`, `ar`, `ja` మరియు `tr` భాషల్లో వెలికితీత మరియు డీ-ఐడెంటిఫికేషన్ — మొత్తం **247 PII చెక్‌పాయింట్‌లు**. ```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])" ```

భాష వారీ ఉదాహరణలను చూపించు (పోర్చుగీస్, డచ్, హిందీ, అరబిక్, జపనీస్, టర్కిష్)

```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 రిక్వెస్ట్ ధ్రువీకరణ, భాగస్వామ్య పైప్‌లైన్ ప్రీలోడ్, మరియు ఏకీకృత ఎర్రర్ ఎన్వలప్‌లతో కూడిన Docker-అనుకూల FastAPI సేవ. ```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"}' ``` పూర్తి [REST సేవ గైడ్](docs/rest-service.md) చూడండి. --- ## డాక్యుమెంటేషన్ పూర్తి గైడ్‌లు **[openmed.life/docs](https://openmed.life/docs/)** లో. | | | | |---|---|---| | [ప్రారంభం](https://openmed.life/docs/) | [టెక్స్ట్ విశ్లేషణ](https://openmed.life/docs/analyze-text) | [మోడల్ రిజిస్ట్రీ](https://openmed.life/docs/model-registry) | | [PII గుర్తింపు గైడ్](examples/notebooks/PII_Detection_Complete_Guide.ipynb) | [అనామకీకరణ](docs/anonymization.md) | [బ్యాచ్ ప్రాసెసింగ్](https://openmed.life/docs/batch-processing) | | [కాన్ఫిగరేషన్ ప్రొఫైల్‌లు](https://openmed.life/docs/profiles) | [REST సేవ](docs/rest-service.md) | [MLX బ్యాకెండ్](docs/mlx-backend.md) | --- ## మా మస్కట్‌ను కలవండి

OpenMed యొక్క సంరక్షకుడు ఒక మెత్తని పర్షియన్ పిల్లి, చిన్న **అవిసెన్నా (ఇబ్న్ సీనా, Avicenna / Ibn Sina)** రూపంలో — ఆ గొప్ప పర్షియన్ వైద్యుని *కానన్ ఆఫ్ మెడిసిన్ (The Canon of Medicine)* సుమారు 600 సంవత్సరాలు ప్రపంచపు ప్రామాణిక వైద్య పాఠ్యగ్రంథంగా నిలిచింది. అతను తెరిచిన వైద్య జ్ఞాన గ్రంథాన్ని కాపలా కాస్తాడు, రంగుల వరుస **పర్షియన్ ఫిరోజా (fīrūza)** నుండి ప్రేరణ పొందింది: మీ అత్యంత గోప్యమైన డేటా కోసం ఒక లోకల్-ఫస్ట్ సంరక్షకుడు.
--- ## సహకారం సహకారాలకు స్వాగతం — బగ్ నివేదికలు, ఫీచర్ అభ్యర్థనలు మరియు PR లు. - [ఒక issue తెరవండి](https://github.com/maziyarpanahi/openmed/issues) - **అనువాదాలకు స్వాగతం** — పైన ఉన్న భాషా స్విచర్‌లో లింక్ చేయబడిన ఇతర భాషల README లను పూర్తి చేయడంలో సహాయపడండి. --- ## కృతజ్ఞతలు OpenMed అద్భుతమైన ఓపెన్-సోర్స్ పనిపై ఆధారపడి ఉంది — ప్రత్యేక ధన్యవాదాలు **OpenAI** ([Privacy Filter](https://huggingface.co/openai/privacy-filter) ఆర్కిటెక్చర్), **NVIDIA** ([Nemotron PII డేటాసెట్](https://huggingface.co/datasets/nvidia/Nemotron-PII-v1)), **Hugging Face** (`transformers` మరియు మోడల్ ఎకోసిస్టమ్), **Apple** ([MLX](https://github.com/ml-explore/mlx)), మరియు **[Faker](https://faker.readthedocs.io/)** నిర్వాహకులకు. ## లైసెన్స్ [Apache-2.0 లైసెన్స్](LICENSE) క్రింద విడుదల చేయబడింది. ## ఉల్లేఖనం మీ పరిశోధనలో OpenMed ఉపయోగకరంగా ఉంటే, దయచేసి ఉల్లేఖించండి: ```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}, } ``` --- ## స్టార్ చరిత్ర OpenMed మీకు ఉపయోగకరంగా ఉంటే, ఒక స్టార్ ఇతరులు దాన్ని కనుగొనడంలో సహాయపడుతుంది.

స్టార్ చరిత్ర చార్ట్

---

OpenMed బృందం రూపొందించింది వెబ్‌సైట్ · డాక్యుమెంటేషన్ · X / Twitter · LinkedIn