Medical Doctor AI LoRA Mistral 7B Instruct FullModel

🚀 医療診断AIモデル - Mistral-7BとLoRAで駆動

🩺 この医療診断AIモデルは、Mistral-7BとLoRA技術を活用し、高精度な医療診断を提供します。このモデルは、医療従事者が臨床判断を行う際のサポートツールとして設計されています。

🚀 クイックスタート

このモデルを使用するには、以下のコードを実行してください。

!pip install -q -U bitsandbytes
!pip install -q -U peft
!pip install -q -U trl
!pip install -q -U tensorboardX
!pip install -q wandb

from transformers import AutoModelForCausalLM, AutoTokenizer

# ✅ アップロードされたモデルをロード
model = AutoModelForCausalLM.from_pretrained("ritvik77/Medical_Doctor_AI_LoRA-Mistral-7B-Instruct_FullModel")
tokenizer = AutoTokenizer.from_pretrained("ritvik77/Medical_Doctor_AI_LoRA-Mistral-7B-Instruct_FullModel")

# ✅ サンプル推論
prompt = "Patient reports chest pain and dizziness with nose bleeding, What’s the likely diagnosis is it cancer ?"
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)

outputs = model.generate(**inputs, max_new_tokens=300)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Pythonコードの使用例:

from transformers import AutoModelForCausalLM, AutoTokenizer
# ✅ アップロードされたモデルをロード
model = AutoModelForCausalLM.from_pretrained("ritvik77/Medical_Doctor_AI_LoRA-Mistral-7B-Instruct_FullModel")
tokenizer = AutoTokenizer.from_pretrained("ritvik77/Medical_Doctor_AI_LoRA-Mistral-7B-Instruct")
# ✅ サンプル推論
prompt = "Patient reports chest pain and dizziness. What’s the likely diagnosis?"
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=300)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

✨ 主な機能

• ✅ 胸痛、めまい、息切れなどの症状に対する正確な診断
• ✅ Chain-of-Thought (CoT) プロンプトを使用した段階的な医療推理
• ✅ VRAM使用量を削減した効率的な推論（メモリが限られたGPUに最適）

📦 インストール

モデルを使用するには、以下のライブラリをインストールする必要があります。

!pip install -q -U bitsandbytes
!pip install -q -U peft
!pip install -q -U trl
!pip install -q -U tensorboardX
!pip install -q wandb

📚 ドキュメント

モデルの詳細

• 元のMistral-7Bパラメータ: 77億
• LoRA微調整パラメータ: 総モデルパラメータの約4.48％（約3億4000万）
• 最終統合モデルサイズ（bnb_4bit量子化）: 約4.5GB

モデルの説明

このモデルは、強力な推論能力と深い言語理解能力で知られるMistral-7B言語モデルを活用しています。LoRAによる微調整により、以下のような医療特有のタスクで優れた性能を発揮します。

• ✅ 胸痛、めまい、息切れなどの症状からの病状診断

• ✅ Chain-of-Thought (CoT) プロンプトを使用した詳細な段階的医療推理

• ✅ 精度が向上した自信ある、証拠に基づく回答の生成

• 開発者: [Ritvik Gaur]

• 資金提供元 [オプション]: [詳細情報が必要]

• 共有者 [オプション]: [詳細情報が必要]

• モデルタイプ: [医療LLM]

• 言語 (NLP): [詳細情報が必要]

• ライセンス: [詳細情報が必要]

• 微調整元のモデル [オプション]: [Mistral-7B-Instruct-v3]

トレーニングの詳細

トレーニングデータ

[詳細情報が必要]

トレーニング手順

前処理 [オプション]

[詳細情報が必要]

トレーニングハイパーパラメータ

🔎 LoRA設定

評価

テストデータ、要因、メトリクス

テストデータ

[詳細情報が必要]

要因

[詳細情報が必要]

メトリクス

[詳細情報が必要]

結果

[詳細情報が必要]

モデルの検証 [オプション]

[詳細情報が必要]

環境への影響

二酸化炭素排出量は、Lacoste et al. (2019)で提示されたMachine Learning Impact calculatorを使用して推定できます。

• ハードウェアタイプ: [詳細情報が必要]
• 使用時間: [詳細情報が必要]
• クラウドプロバイダ: [詳細情報が必要]
• コンピュートリージョン: [詳細情報が必要]
• 排出された二酸化炭素量: [詳細情報が必要]

技術仕様 [オプション]

モデルアーキテクチャと目的

[詳細情報が必要]

コンピュートインフラストラクチャ

ハードウェア

[詳細情報が必要]

ソフトウェア

[詳細情報が必要]

引用 [オプション]

BibTeX: [詳細情報が必要]

APA: [詳細情報が必要]

用語集 [オプション]

[詳細情報が必要]

詳細情報 [オプション]

[詳細情報が必要]

モデルカード作成者 [オプション]

[詳細情報が必要]

モデルカードの連絡先

[詳細情報が必要]

📄 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。

⚠️ 重要提示

このモデルは、実際の病気の診断に完全に依存することは避けてください。このモデルは、LLMを必要とする実際の検証済みの医療アプリケーションのサポート用です。

💡 使用建议

ユーザー（直接および二次的なユーザー）は、モデルのリスク、バイアス、および制限について認識する必要があります。さらなる推奨事項については、詳細情報が必要です。