Symptom To Diagnosis

🚀 症狀到診斷模型

本模型是一個用於從症狀描述診斷疾病的文本分類模型，基於預訓練模型進行微調，能根據自然語言描述的症狀預測22種對應的診斷結果。

🚀 快速開始

使用以下代碼示例，通過transformers庫的pipeline快速調用模型進行文本分類：

from transformers import pipeline

pipe = pipeline("text-classification", model="Zabihin/Symptom_to_Diagnosis")

# 示例
result = pipe("I've been having headaches and migraines, and I can't sleep. My whole body shakes and twitches. Sometimes I feel lightheaded.")
print(result)
# 輸出結果示例
# [{'label': 'drug reaction', 'score': 0.9489321112632751}]

或者使用以下代碼：

from transformers import pipeline

# 加載模型
classifier = pipeline("text-classification", model="Zabihin/Symptom_to_Diagnosis", tokenizer="Zabihin/Symptom_to_Diagnosis")

# 示例輸入文本
input_text = "I've been having headaches and migraines, and I can't sleep. My whole body shakes and twitches. Sometimes I feel lightheaded."

# 獲取預測標籤
result = classifier(input_text)

# 打印預測標籤
predicted_label = result[0]['label']
print("Predicted Label:", predicted_label)
# 輸出示例
# Predicted Label: drug reaction

✨ 主要特性

• 微調模型：基於 bert-base-cased 進行微調，適用於從症狀診斷疾病的文本分類任務。
• 精準預測：旨在分析症狀的自然語言描述，並預測22種對應的診斷結果之一。

📦 安裝指南

使用此模型前，請確保安裝了以下版本的庫：

📚 詳細文檔

模型描述

本模型是 bert-base-cased 架構的微調版本，專為從症狀診斷疾病的文本分類任務而設計。主要目標是分析症狀的自然語言描述，並預測22種對應的診斷結果之一。

數據集信息

模型在 Gretel/symptom_to_diagnosis 數據集上進行訓練，該數據集包含1065條英文症狀描述，每條描述都標註了22種可能診斷結果中的一種。數據集側重於細粒度的單領域診斷，適用於需要根據症狀描述進行詳細分類的任務。

示例：

{
  "output_text": "drug reaction",
  "input_text": "I've been having headaches and migraines, and I can't sleep. My whole body shakes and twitches. Sometimes I feel lightheaded."
}

模型評估結果

📄 許可證

本模型使用 Apache-2.0 許可證。