本地优先的医疗 AI——数据永不离开你的设备

一行代码，将临床文本转化为结构化洞见。
实体抽取、PII 去标识化，以及 1,000+ 个完全运行在你自己硬件上的专业医疗模型——从 Python 的一行调用，到由 Apple MLX 驱动的 iPhone 原生 Swift 应用。无需云端，无供应商锁定，患者数据绝不离开你的网络。

1,000+ 模型 · 12 种语言 · 247 个 PII 检查点 · 100% 本地运行 · Apache-2.0

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

--- ## 现场演示

_{实时 PII 去标识化——Nemotron Privacy Filter 正在对一份临床出院记录中的姓名、地址、证件号和账单数据进行脱敏，全程在本地设备上完成。（图中所有数值均为合成数据。）}

--- ## 30 秒上手示例 ```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 ``` 一个最先进的临床 NER 模型在本地运行——无需 API 密钥，无网络调用。 --- ## 为什么选择 OpenMed？ | | **OpenMed** | 云端医疗 API | | ------------------------------------- | :----------------------: | :----------------: | | 在你的设备/服务器上运行 | ✅ | ❌ | | 患者数据离开你的网络 | **从不** | 发送给供应商 | | 成本 | 免费且开源 | 按调用计费 | | 专业医疗模型 | 1,000+ | 有限 | | 语言 | 12+ | 不一 | | 离线 / 隔离网络（air-gapped） | ✅ | ❌ | | Apple Silicon (MLX) 加速 | ✅ | 不适用 | | 原生 iOS / macOS 应用 | ✅ 通过 OpenMedKit | ❌ | | 供应商锁定 | 无 — Apache-2.0 | 有 | - **专业模型** — 1,000+ 个精选的生物医学与临床模型，其中许多性能超越商业专有方案。 - **符合 HIPAA 的去标识化** — 覆盖全部 18 项 Safe Harbor 标识符，智能实体合并，保留格式的伪造替换。 - **随处运行** — CPU、CUDA、Apple Silicon (MLX)，并可通过 OpenMedKit 原生运行于 iOS/macOS 应用。 - **一行部署** — Python API、Docker 化的 REST 服务，或批处理流水线。 - **零锁定** — Apache-2.0，你的基础设施，你的数据。 --- ## 在 Apple 设备上本地运行 — Swift、MLX 与 iOS OpenMed 专为在你数据所在之处运行而打造。在 Apple 硬件上，它借助 **MLX** 加速，并通过 **[OpenMedKit](swift/OpenMedKit)** 直接进入 iPhone、iPad 和 Mac 应用——因此 PII 检测与临床抽取完全离线、在设备本地完成。 ```swift // Add OpenMedKit to your app dependencies: [ .package(url: "https://github.com/maziyarpanahi/openmed.git", from: "1.5.5"), ] ``` - **MLX 运行时**，用于 PII token 分类、Privacy Filter 系列，以及实验性的 GLiNER 系列 zero-shot 任务——并提供 CoreML 回退路径。 - **一个模型名，所有平台** — 在非 Apple 硬件上，MLX 模型名会自动回退到对应的 PyTorch 检查点。 - **Apple Silicon 上的 Python** 同样支持：`pip install "openmed[mlx]"`。指南：[MLX 后端](docs/mlx-backend.md) · [OpenMedKit (Swift)](docs/swift-openmedkit.md) · [CoreML 导出](docs/coreml-export.md) --- ## 工作原理 ```mermaid flowchart LR A["临床文本"] --> B["OpenMed
（100% 本地）"] B --> C["医疗实体"] B --> D["检测到的 PII"] B --> E["去标识化文本"] 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 ``` --- ## 快速开始 ```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 服务** ```bash uvicorn openmed.service.app:app \ --host 0.0.0.0 --port 8080 ``` `GET /health` `POST /analyze` `POST /pii/extract` `POST /pii/deidentify`

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

**离线 / 隔离网络？** 只需将 `model_name`（或 `model_id`）指向本地目录，OpenMed 即会在本地加载，而不会连接 Hugging Face Hub： ```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"), ) ``` --- ## 模型精选的专业医疗 NER 模型注册表——浏览[完整目录](https://openmed.life/docs/model-registry)。 | 模型 | 专长 | 实体类型 | 大小 | |------|------|----------|------| | `disease_detection_superclinical` | 疾病与病症 | DISEASE, CONDITION, DIAGNOSIS | 434M | | `pharma_detection_superclinical` | 药物与用药 | DRUG, MEDICATION, TREATMENT | 434M | | `pii_superclinical_large` | PII 与去标识化 | NAME, DATE, SSN, PHONE, EMAIL, ADDRESS | 434M | | `anatomy_detection_electramed` | 解剖与身体部位 | ANATOMY, ORGAN, BODY_PART | 109M | | `gene_detection_genecorpus` | 基因与蛋白质 | GENE, PROTEIN | 109M | --- ## 隐私：PII 检测与去标识化 ```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) ``` - **智能实体合并**让 `01/15/1970` 保持完整，而不会被拆分。 - **基于 Faker 的混淆**，内置自定义临床证件号 provider（CPF、CNPJ、BSN、NIR、Codice Fiscale、NIE、Aadhaar、Steuer-ID、NPI）。 - **HIPAA**：覆盖全部 18 项 Safe Harbor 标识符，可配置置信度阈值。 [完整 PII 笔记本](examples/notebooks/PII_Detection_Complete_Guide.ipynb) · [智能合并](docs/pii-smart-merging.md) · [匿名化](docs/anonymization.md)

Privacy Filter 系列 — 基于 OpenAI Privacy Filter 架构的三个模型系列

模型代码相同（gpt-oss 风格的稀疏 MoE Transformer，带局部注意力、sink token、RoPE+YaRN、tiktoken `o200k_base` 分词），仅训练数据不同。它们都通过**同一套** `extract_pii()` / `deidentify()` API 调用——只需更改 `model_name=` 参数。 | 变体 | 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) ``` 在非 Apple Silicon 主机上，MLX 模型名会自动替换为对应的 PyTorch 检查点（并给出一次性警告）——写一个模型名，随处运行。参见 [Privacy Filter 架构与后端路由](docs/anonymization.md#privacy-filter-family)。

--- ## 多语言 PII（12 种语言）在 `en`、`fr`、`de`、`it`、`es`、`nl`、`hi`、`te`、`pt`、`ar`、`ja` 和 `tr` 等语言上进行抽取与去标识化——共 **247 个 PII 检查点**。 ```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])" ```

查看各语言示例（葡萄牙语、荷兰语、印地语、阿拉伯语、日语、土耳其语）

```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 一个对 Docker 友好的 FastAPI 服务，具备请求校验、共享流水线预加载，以及统一的错误响应封装。 ```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"}' ``` 参见完整的 [REST 服务指南](docs/rest-service.md)。 --- ## 文档完整指南见 **[openmed.life/docs](https://openmed.life/docs/)**。 | | | | |---|---|---| | [快速入门](https://openmed.life/docs/) | [文本分析](https://openmed.life/docs/analyze-text) | [模型注册表](https://openmed.life/docs/model-registry) | | [PII 检测指南](examples/notebooks/PII_Detection_Complete_Guide.ipynb) | [匿名化](docs/anonymization.md) | [批处理](https://openmed.life/docs/batch-processing) | | [配置档案](https://openmed.life/docs/profiles) | [REST 服务](docs/rest-service.md) | [MLX 后端](docs/mlx-backend.md) | --- ## 认识一下我们的吉祥物

OpenMed 的守护者是一只蓬松的波斯猫，化身为小小的**阿维森纳（伊本·西那，Avicenna / Ibn Sina）**——这位伟大的波斯医师所著的《医典》（*Canon of Medicine*）在约 600 年间一直是全世界的标准医学教科书。它守护着翻开的医学知识之书，配色取自**波斯绿松石（fīrūza）**：一位守护你最私密数据的本地优先卫士。
--- ## 贡献欢迎贡献——bug 报告、功能请求和 PR 都欢迎。 - [提交 issue](https://github.com/maziyarpanahi/openmed/issues) - **欢迎翻译** — 帮助完善顶部语言切换栏中链接的其他语言 README。 --- ## 致谢 OpenMed 建立在优秀的开源工作之上——特别感谢 **OpenAI**（[Privacy Filter](https://huggingface.co/openai/privacy-filter) 架构）、**NVIDIA**（[Nemotron PII 数据集](https://huggingface.co/datasets/nvidia/Nemotron-PII-v1)）、**Hugging Face**（`transformers` 及模型生态）、**Apple**（[MLX](https://github.com/ml-explore/mlx)），以及 **[Faker](https://faker.readthedocs.io/)** 的维护者。 ## 许可证基于 [Apache-2.0 许可证](LICENSE) 发布。 ## 引用如果 OpenMed 对你的研究有帮助，请引用： ```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}, } ``` --- ## Star 历史如果 OpenMed 对你有帮助，点个 star 能帮助更多人发现它。

---

由 OpenMed 团队打造网站 · 文档 · X / Twitter · LinkedIn