Symptom To Diagnosis

🚀 症状到诊断模型

本模型是一个用于从症状描述诊断疾病的文本分类模型，基于预训练模型进行微调，能根据自然语言描述的症状预测22种对应的诊断结果。

🚀 快速开始

使用以下代码示例，通过transformers库的pipeline快速调用模型进行文本分类：

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)
# 输出结果示例
# [{'label': 'drug reaction', 'score': 0.9489321112632751}]

或者使用以下代码：

from transformers import pipeline

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

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

# 获取预测标签
result = classifier(input_text)

# 打印预测标签
predicted_label = result[0]['label']
print("Predicted Label:", predicted_label)
# 输出示例
# Predicted Label: drug reaction

✨ 主要特性

• 微调模型：基于 bert-base-cased 进行微调，适用于从症状诊断疾病的文本分类任务。
• 精准预测：旨在分析症状的自然语言描述，并预测22种对应的诊断结果之一。

📦 安装指南

使用此模型前，请确保安装了以下版本的库：

📚 详细文档

模型描述

本模型是 bert-base-cased 架构的微调版本，专为从症状诊断疾病的文本分类任务而设计。主要目标是分析症状的自然语言描述，并预测22种对应的诊断结果之一。

数据集信息

模型在 Gretel/symptom_to_diagnosis 数据集上进行训练，该数据集包含1065条英文症状描述，每条描述都标注了22种可能诊断结果中的一种。数据集侧重于细粒度的单领域诊断，适用于需要根据症状描述进行详细分类的任务。

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."
}

模型评估结果

📄 许可证

本模型使用 Apache-2.0 许可证。