Bert Symptom Checker

🚀 AI搭載の症状チェッカー 🏥🤖

このモデルは、ユーザーが報告した症状に基づいて、潜在的な医療状態を予測します。BERTを使用して構築され、MedTextデータセットで微調整されており、ユーザーが症状の予備的な洞察を得るのに役立ちます。

🚀 クイックスタート

このモデルは、ユーザーが報告した症状に基づいて、潜在的な医療状態を予測します。BERTを使用して構築され、MedTextデータセットで微調整されています。

✨ 主な機能

• ユーザーが報告した症状に基づいて、潜在的な医療状態を予測する。
• BERTを使用して構築され、MedTextデータセットで微調整されている。
• ユーザーが症状の予備的な洞察を得るのに役立つ。

📦 インストール

このセクションでは、原READMEに具体的なインストール手順が記載されていないため、省略します。

💻 使用例

基本的な使用法

from transformers import pipeline

model = pipeline("text-classification", model="Lech-Iyoko/bert-symptom-checker")
result = model("I have a severe headache and nausea.")
print(result)

📚 ドキュメント

モデル詳細

制限事項と倫理的な考慮事項

⚠️ 重要提示

このモデルは医療診断に使用してはなりません。常に医療専門家に相談してください。

トレーニングハイパーパラメータ

• 前処理: 小文字化、トークン化、ストップワードの削除
• トレーニングフレームワーク: Hugging Face transformers
• トレーニング方式: fp32 (安定性のための完全精度トレーニング)
• バッチサイズ: 16
• 学習率: 3e-5
• エポック数: 5
• オプティマイザ: AdamW
• スケジューラ: ウォームアップ付きの線形スケジューラ

速度、サイズ、時間

• モデルチェックポイントサイズ: 4.5GB
• トレーニング時間: Google Colabで約3 - 4時間
• スループット: 1分あたり1200サンプル

評価

• テストデータ、要因、評価指標
• テストデータ
• データセット: MedText (1.4kサンプル)
• データセットタイプ: 医療症状の説明 → 病状予測

分割:

• トレーニング: 80% (1,120事例)
• テスト: 20% (280事例)

評価指標

• 正解率: 96.5% (全体的な正確性を測定)
• F1スコア: 95.1% (精度と再現率の調和平均)
• 精度: 94.7% (予測されたすべての病状のうち、正しく予測されたもの)
• 再現率: 95.5% (実際のすべての病状のうち、正しく予測されたもの)

結果

要約

• 強み: 高い再現率により、ほとんどの病状が正しく識別されます。
• 弱点: データセットの制限により、まれな病状に対応するのが難しい場合があります。

モデルアーキテクチャと目的

• アーキテクチャ: 医療テキスト分類用に微調整されたBERT (bert-base-uncased)
• 目的: 患者の症状の説明に基づいて、潜在的な病状/結果を予測する

コンピュートインフラ

ハードウェア

• トレーニング: Google Colab (NVIDIA T4 GPU、16GB RAM)
• 推論: Hugging Face Inference API (CPU/GPU使用に最適化)

ソフトウェア

• Pythonバージョン: 3.8
• ディープラーニングフレームワーク: PyTorch (transformersライブラリ)
• トークナイザ: BERT WordPiece Tokenizer
• 前処理ライブラリ: nltk、spacy、textacy

📄 ライセンス

このモデルは、Apache 2.0ライセンスの下で提供されています。