GENIE Zh 7b

🚀 GENIE模型卡片

GENIE（Generative Note Information Extraction，中文名：病歷精靈）是一個端到端的模型，旨在對電子病歷（EHR）中的自由文本進行結構化處理。它能一次性處理EHR，提取生物醫學命名實體及其斷言狀態、身體位置、修飾符、值、單位和預期用途，並以結構化的JSON格式輸出信息。

📚 詳細文檔

模型詳情

模型描述

GENIE（Generative Note Information Extraction，中文名：病歷精靈）是一個端到端的模型，專為對電子健康記錄（EHR）中的自由文本進行結構化處理而設計。它只需對EHR進行一次處理，就能提取生物醫學命名實體及其斷言狀態、身體位置、修飾詞、值、單位和預期用途，並以結構化的JSON格式輸出這些信息。這種簡化的方法通過用單個模型取代所有分析組件，簡化了傳統的自然語言處理工作流程，使系統更易於維護，同時利用了大語言模型（LLM）的先進分析能力。與通用LLM相比，GENIE不需要提示工程或小樣本示例。此外，它能一次性生成所有相關屬性，顯著降低了運行時間和運營成本。

GENIE由盛宇（https://www.stat.tsinghua.edu.cn/teachers/shengyu/）、蔡天西（https://dbmi.hms.harvard.edu/people/tianxi-cai）和艾薩克·科哈內（https://dbmi.hms.harvard.edu/people/isaac-kohane）的團隊共同開發。

🚀 快速開始

代碼示例

from vllm import LLM, SamplingParams

PROMPT_TEMPLATE = "Human:\n{query}\n\n Assistant:\n"
sampling_params = SamplingParams(temperature=temperature, max_tokens=max_new_token)
EHR = ['xxxxx1','xxxxx2']
texts = [PROMPT_TEMPLATE.format(query=k) for k in EHR]
output = model.generate(texts, sampling_params)

💻 使用示例

基礎用法

輸入示例

EHR = ['慢性乙型肝炎病史10餘年，曾有肝功能異常，中醫治療後好轉；1年餘前查HBsAg轉陰，但肝臟病理提示病毒性肝炎伴肝纖維化（G1S3-4）']

輸出示例

res = [
 { "術語": "慢性乙型肝炎",
 "語義類型": "疾病、綜合徵、病理功能",
 "敘述狀態": "存在",
 "身體部位": "無",
 "數值": "NA",
 "單位": "NA",
 "修飾詞": "無" },
 { "術語": "肝功能異常",
 "語義類型": "症狀、體徵、臨床所見",
 "敘述狀態": "存在",
 "身體部位": "無",
 "數值": "NA",
 "單位": "NA",
 "修飾詞": "無" },
 { "術語": "HBsAg",
 "語義類型": "化學物質、藥物",
 "敘述狀態": "不存在",
 "身體部位": "NA",
 "數值": "無",
 "單位": "NA",
 "修飾詞": "NA" },
{ "術語": "肝臟病理",
 "語義類型": "診斷操作",
 "敘述狀態": "存在",
 "身體部位": "無",
 "數值": "無",
 "單位": "NA",
 "修飾詞": "NA" },
 { "術語": "病毒性肝炎",
 "語義類型": "疾病、綜合徵、病理功能",
 "敘述狀態": "存在",
 "身體部位": "無",
 "數值": "NA",
 "單位": "NA",
 "修飾詞": "無" },
 { "術語": "肝纖維化",
 "語義類型": "疾病、綜合徵、病理功能",
 "敘述狀態": "存在",
 "身體部位": "無",
 "數值": "NA",
 "單位": "NA",
 "修飾詞": "無" },
]

📄 許可證

本項目採用Apache-2.0許可證。

📖 引用

如果您覺得我們的論文或模型有幫助，請考慮引用：

@misc{ying2025geniegenerativenoteinformation,
      title={GENIE: Generative Note Information Extraction model for structuring EHR data}, 
      author={Huaiyuan Ying and Hongyi Yuan and Jinsen Lu and Zitian Qu and Yang Zhao and Zhengyun Zhao and Isaac Kohane and Tianxi Cai and Sheng Yu},
      year={2025},
      eprint={2501.18435},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2501.18435}, 
}