GENIE Zh 7b

🚀 GENIE模型卡片

GENIE（Generative Note Information Extraction，中文名：病历精灵）是一个端到端的模型，旨在对电子病历（EHR）中的自由文本进行结构化处理。它能一次性处理EHR，提取生物医学命名实体及其断言状态、身体位置、修饰符、值、单位和预期用途，并以结构化的JSON格式输出信息。

📚 详细文档

模型详情

模型描述

GENIE（Generative Note Information Extraction，中文名：病历精灵）是一个端到端的模型，专为对电子健康记录（EHR）中的自由文本进行结构化处理而设计。它只需对EHR进行一次处理，就能提取生物医学命名实体及其断言状态、身体位置、修饰词、值、单位和预期用途，并以结构化的JSON格式输出这些信息。这种简化的方法通过用单个模型取代所有分析组件，简化了传统的自然语言处理工作流程，使系统更易于维护，同时利用了大语言模型（LLM）的先进分析能力。与通用LLM相比，GENIE不需要提示工程或小样本示例。此外，它能一次性生成所有相关属性，显著降低了运行时间和运营成本。

GENIE由盛宇（https://www.stat.tsinghua.edu.cn/teachers/shengyu/）、蔡天西（https://dbmi.hms.harvard.edu/people/tianxi-cai）和艾萨克·科哈内（https://dbmi.hms.harvard.edu/people/isaac-kohane）的团队共同开发。

🚀 快速开始

代码示例

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

基础用法

输入示例

EHR = ['慢性乙型肝炎病史10余年，曾有肝功能异常，中医治疗后好转；1年余前查HBsAg转阴，但肝脏病理提示病毒性肝炎伴肝纤维化（G1S3-4）']

输出示例

res = [
 { "术语": "慢性乙型肝炎",
 "语义类型": "疾病、综合征、病理功能",
 "叙述状态": "存在",
 "身体部位": "无",
 "数值": "NA",
 "单位": "NA",
 "修饰词": "无" },
 { "术语": "肝功能异常",
 "语义类型": "症状、体征、临床所见",
 "叙述状态": "存在",
 "身体部位": "无",
 "数值": "NA",
 "单位": "NA",
 "修饰词": "无" },
 { "术语": "HBsAg",
 "语义类型": "化学物质、药物",
 "叙述状态": "不存在",
 "身体部位": "NA",
 "数值": "无",
 "单位": "NA",
 "修饰词": "NA" },
{ "术语": "肝脏病理",
 "语义类型": "诊断操作",
 "叙述状态": "存在",
 "身体部位": "无",
 "数值": "无",
 "单位": "NA",
 "修饰词": "NA" },
 { "术语": "病毒性肝炎",
 "语义类型": "疾病、综合征、病理功能",
 "叙述状态": "存在",
 "身体部位": "无",
 "数值": "NA",
 "单位": "NA",
 "修饰词": "无" },
 { "术语": "肝纤维化",
 "语义类型": "疾病、综合征、病理功能",
 "叙述状态": "存在",
 "身体部位": "无",
 "数值": "NA",
 "单位": "NA",
 "修饰词": "无" },
]

📄 许可证

本项目采用Apache-2.0许可证。

📖 引用

如果您觉得我们的论文或模型有帮助，请考虑引用：

@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}, 
}