Bert Symptom Checker

🚀 人工智能驅動的症狀檢查器 🏥🤖

本模型基於用戶報告的症狀預測潛在的醫療狀況。它使用BERT構建，並在MedText數據集上進行了微調，可幫助用戶獲得初步的症狀洞察。

🚀 快速開始

你可以使用以下代碼示例快速體驗該症狀檢查器：

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)

✨ 主要特性

• 基於強大的BERT模型進行構建，在醫療文本分類任務上表現出色。
• 在MedText數據集上進行微調，能夠更好地處理醫療症狀相關文本。
• 具有較高的準確率和F1分數，能較為準確地預測潛在醫療狀況。

📦 安裝指南

文檔未提供具體安裝步驟，可參考transformers庫的官方安裝指南進行安裝。

💻 使用示例

基礎用法

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)

高級用法

文檔未提供高級用法示例。

📚 詳細文檔

🔍 模型詳情

📌 侷限性與倫理考量

⚠️ 重要提示

此模型不能用於醫療診斷。請始終諮詢醫療專業人員。

📝 訓練超參數

• 預處理：小寫轉換、分詞、停用詞去除
• 訓練框架：Hugging Face transformers
• 訓練模式：fp32（為保證穩定性進行全精度訓練）
• 批量大小：16
• 學習率：3e - 5
• 訓練輪數：5
• 優化器：AdamW
• 調度器：帶熱身的線性調度器

⏱ 速度、大小、時間

• 模型檢查點大小：4.5GB
• 訓練時長：在Google Colab上約3 - 4小時
• 吞吐量：每分鐘1200個樣本

🧪 評估

測試數據、因素和指標

• 測試數據
  • 數據集：MedText（1400個樣本）
  • 數據集類型：醫療症狀描述 → 病情預測

數據集劃分

• 訓練集：80%（1120個案例）
• 測試集：20%（280個案例）

評估指標

• 準確率：96.5%（衡量整體正確性）
• F1分數：95.1%（精確率和召回率的調和平均值）
• 精確率：94.7%（所有預測中正確的病情預測比例）
• 召回率：95.5%（所有實際病情中正確的病情預測比例）

📊 結果

總結

• 優點：高召回率確保大多數病情能被正確識別。
• 缺點：由於數據集的侷限性，模型在處理罕見病情時可能會遇到困難。

⚙️ 模型架構與目標

• 架構：針對醫療文本分類任務微調的BERT (bert-base-uncased)。
• 目標：根據患者的症狀描述預測潛在的病情/結果。

💻 計算基礎設施

硬件

• 訓練：Google Colab（NVIDIA T4 GPU，16GB內存）
• 推理：Hugging Face推理API（針對CPU/GPU使用進行了優化）

軟件

• Python版本：3.8
• 深度學習框架：PyTorch（transformers庫）
• 分詞器：BERT WordPiece分詞器
• 預處理庫：nltk、spacy、textacy

📄 許可證

本模型採用Apache 2.0許可證。