Bert Symptom Checker

🚀 人工智能驱动的症状检查器 🏥🤖

本模型基于用户报告的症状预测潜在的医疗状况。它使用BERT构建，并在MedText数据集上进行了微调，可帮助用户获得初步的症状洞察。

🚀 快速开始

你可以使用以下代码示例快速体验该症状检查器：

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

• 基于强大的BERT模型进行构建，在医疗文本分类任务上表现出色。
• 在MedText数据集上进行微调，能够更好地处理医疗症状相关文本。
• 具有较高的准确率和F1分数，能较为准确地预测潜在医疗状况。

📦 安装指南

文档未提供具体安装步骤，可参考transformers库的官方安装指南进行安装。

💻 使用示例

基础用法

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)

高级用法

文档未提供高级用法示例。

📚 详细文档

🔍 模型详情

📌 局限性与伦理考量

⚠️ 重要提示

此模型不能用于医疗诊断。请始终咨询医疗专业人员。

📝 训练超参数

• 预处理：小写转换、分词、停用词去除
• 训练框架：Hugging Face transformers
• 训练模式：fp32（为保证稳定性进行全精度训练）
• 批量大小：16
• 学习率：3e - 5
• 训练轮数：5
• 优化器：AdamW
• 调度器：带热身的线性调度器

⏱ 速度、大小、时间

• 模型检查点大小：4.5GB
• 训练时长：在Google Colab上约3 - 4小时
• 吞吐量：每分钟1200个样本

🧪 评估

测试数据、因素和指标

• 测试数据
  • 数据集：MedText（1400个样本）
  • 数据集类型：医疗症状描述 → 病情预测

数据集划分

• 训练集：80%（1120个案例）
• 测试集：20%（280个案例）

评估指标

• 准确率：96.5%（衡量整体正确性）
• F1分数：95.1%（精确率和召回率的调和平均值）
• 精确率：94.7%（所有预测中正确的病情预测比例）
• 召回率：95.5%（所有实际病情中正确的病情预测比例）

📊 结果

总结

• 优点：高召回率确保大多数病情能被正确识别。
• 缺点：由于数据集的局限性，模型在处理罕见病情时可能会遇到困难。

⚙️ 模型架构与目标

• 架构：针对医疗文本分类任务微调的BERT (bert-base-uncased)。
• 目标：根据患者的症状描述预测潜在的病情/结果。

💻 计算基础设施

硬件

• 训练：Google Colab（NVIDIA T4 GPU，16GB内存）
• 推理：Hugging Face推理API（针对CPU/GPU使用进行了优化）

软件

• Python版本：3.8
• 深度学习框架：PyTorch（transformers库）
• 分词器：BERT WordPiece分词器
• 预处理库：nltk、spacy、textacy

📄 许可证

本模型采用Apache 2.0许可证。