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 ```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 ``` Yerel olarak çalışan son teknoloji bir klinik NER modeli — API anahtarı yok, ağ çağrısı yok. --- ## Neden OpenMed? | | **OpenMed** | Bulut tıbbi API'leri | | ------------------------------------- | :----------------------: | :-----------------------: | | Cihazınızda/sunucularınızda çalışır | ✅ | ❌ | | Hasta verileri ağınızdan çıkar | **Asla** | Tedarikçiye gönderilir | | Maliyet | Ücretsiz ve açık kaynak | Çağrı başına ücret | | Özelleşmiş tıbbi modeller | 1.000+ | Sınırlı | | Diller | 12+ | Değişken | | Çevrimdışı / izole (air-gapped) | ✅ | ❌ | | Apple Silicon (MLX) hızlandırma | ✅ | yok | | Yerel iOS / macOS uygulamaları | ✅ OpenMedKit ile | ❌ | | Tedarikçi bağımlılığı | Yok — Apache-2.0 | Var | - **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](swift/OpenMedKit)** aracılığıyla doğrudan iPhone, iPad ve Mac uygulamalarına girer — böylece PII tespiti ve klinik çıkarım tamamen çevrimdışı, cihaz üzerinde gerçekleşir. ```swift // 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](docs/mlx-backend.md) · [OpenMedKit (Swift)](docs/swift-openmedkit.md) · [CoreML dışa aktarma](docs/coreml-export.md) --- ## Nasıl çalışır ```mermaid 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 ```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 servisi** ```bash uvicorn openmed.service.app:app \ --host 0.0.0.0 --port 8080 ``` `GET /health` `POST /analyze` `POST /pii/extract` `POST /pii/deidentify`

**Toplu** ```python 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: ```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"), ) ``` --- ## Modeller Özelleşmiş tıbbi NER modellerinden oluşan özenle seçilmiş bir kayıt — [tam kataloğa](https://openmed.life/docs/model-registry) 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 ```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) ``` - **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](examples/notebooks/PII_Detection_Complete_Guide.ipynb) · [Akıllı birleştirme](docs/pii-smart-merging.md) · [Anonimleştirme](docs/anonymization.md)

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`](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 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](docs/anonymization.md#privacy-filter-family).

--- ## 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**. ```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])" ```

Dile göre örnekleri göster (Portekizce, Felemenkçe, Hintçe, Arapça, Japonca, Türkçe)

```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 İstek doğrulama, paylaşımlı pipeline ön yükleme ve birleşik hata zarfları içeren, Docker dostu bir FastAPI servisi. ```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"}' ``` Tam [REST servis kılavuzuna](docs/rest-service.md) bakın. --- ## Dokümantasyon Tam kılavuzlar **[openmed.life/docs](https://openmed.life/docs/)** adresinde. | | | | |---|---|---| | [Başlarken](https://openmed.life/docs/) | [Metni analiz et](https://openmed.life/docs/analyze-text) | [Model kaydı](https://openmed.life/docs/model-registry) | | [PII tespit kılavuzu](examples/notebooks/PII_Detection_Complete_Guide.ipynb) | [Anonimleştirme](docs/anonymization.md) | [Toplu işleme](https://openmed.life/docs/batch-processing) | | [Yapılandırma profilleri](https://openmed.life/docs/profiles) | [REST servisi](docs/rest-service.md) | [MLX arka ucu](docs/mlx-backend.md) | --- ## Maskotumuzla tanışın

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](https://github.com/maziyarpanahi/openmed/issues) - **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](https://huggingface.co/openai/privacy-filter) mimarisi), **NVIDIA**'ya ([Nemotron PII veri kümesi](https://huggingface.co/datasets/nvidia/Nemotron-PII-v1)), **Hugging Face**'e (`transformers` ve model ekosistemi), **Apple**'a ([MLX](https://github.com/ml-explore/mlx)) ve **[Faker](https://faker.readthedocs.io/)** geliştiricilerine teşekkürler. ## Lisans [Apache-2.0 Lisansı](LICENSE) altında yayımlanmıştır. ## Atıf OpenMed araştırmanızda faydalı olduysa, lütfen atıfta bulunun: ```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}, } ``` --- ## Yıldız geçmişi OpenMed sizin için faydalıysa, bir yıldız başkalarının onu keşfetmesine yardımcı olur.

---

OpenMed ekibi tarafından yapıldı Web sitesi · Dokümantasyon · X / Twitter · LinkedIn