Scibert Scivocab Uncased Finetuned Ner

🚀 基于SciBERT的药物命名实体识别模型

本项目是一个基于SciBERT的模型，经过微调后可用于识别药物名称和药物不良反应的命名实体。该模型能有效解决医疗文本中药物及不良反应实体识别的问题，为医疗信息的提取和分析提供了有力支持。

🚀 快速开始

本模型将输入的标记分类为以下五类：

• B-DRUG：药物实体的开始
• I-DRUG：药物实体内
• B-EFFECT：不良反应（AE）实体的开始
• I-EFFECT：不良反应实体内
• O：不属于上述任何实体

若要开始使用此模型进行推理，只需按照以下方式设置一个命名实体识别（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

• 基于SciBERT进行微调，在药物命名实体识别任务上表现出色。
• 能够准确识别药物名称和药物不良反应实体。
• 提供了直观的五类分类方式，便于理解和应用。

📚 详细文档

模型架构

相关链接

• SciBERT：https://huggingface.co/allenai/scibert_scivocab_uncased
• 数据集：https://huggingface.co/datasets/ade_corpus_v2

示例输入

以下是一些示例输入文本及其标题：

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

📦 信息表格