Scibert Scivocab Uncased Finetuned Ner

🚀 基於SciBERT的藥物命名實體識別模型

本項目是一個基於SciBERT的模型，經過微調後可用於識別藥物名稱和藥物不良反應的命名實體。該模型能有效解決醫療文本中藥物及不良反應實體識別的問題，為醫療信息的提取和分析提供了有力支持。

🚀 快速開始

本模型將輸入的標記分類為以下五類：

• B-DRUG：藥物實體的開始
• I-DRUG：藥物實體內
• B-EFFECT：不良反應（AE）實體的開始
• I-EFFECT：不良反應實體內
• O：不屬於上述任何實體

若要開始使用此模型進行推理，只需按照以下方式設置一個命名實體識別（NER）pipeline：

from transformers import (AutoModelForTokenClassification, 
                          AutoTokenizer, 
                          pipeline,
                          )

model_checkpoint = "jsylee/scibert_scivocab_uncased-finetuned-ner"
model = AutoModelForTokenClassification.from_pretrained(model_checkpoint, num_labels=5,
                                                        id2label={0: 'O', 1: 'B-DRUG', 2: 'I-DRUG', 3: 'B-EFFECT', 4: 'I-EFFECT'} 
                                                        )                                                        
tokenizer = AutoTokenizer.from_pretrained(model_checkpoint)

model_pipeline = pipeline(task="ner", model=model, tokenizer=tokenizer)

print( model_pipeline ("Abortion, miscarriage or uterine hemorrhage associated with misoprostol (Cytotec), a labor-inducing drug."))

✨ 主要特性

• 基於SciBERT進行微調，在藥物命名實體識別任務上表現出色。
• 能夠準確識別藥物名稱和藥物不良反應實體。
• 提供了直觀的五類分類方式，便於理解和應用。

📚 詳細文檔

模型架構

相關鏈接

• SciBERT：https://huggingface.co/allenai/scibert_scivocab_uncased
• 數據集：https://huggingface.co/datasets/ade_corpus_v2

示例輸入

以下是一些示例輸入文本及其標題：

• 文本："Abortion, miscarriage or uterine hemorrhage associated with misoprostol (Cytotec), a labor-inducing drug."，示例標題："Abortion, miscarriage, ..."
• 文本："Addiction to many sedatives and analgesics, such as diazepam, morphine, etc."，示例標題："Addiction to many..."
• 文本："Birth defects associated with thalidomide"，示例標題："Birth defects associated..."
• 文本："Bleeding of the intestine associated with aspirin therapy"，示例標題："Bleeding of the intestine..."
• 文本："Cardiovascular disease associated with COX-2 inhibitors (i.e. Vioxx)"，示例標題："Cardiovascular disease..."

📦 信息表格