openmed

本地优先的医疗 AI，永不离设备

一行代码将临床文本转化为结构化洞察。
实体提取、PII 去标识化，以及 1000+ 专业医学模型，完全运行在您自己的硬件上——从一行 Python 代码到 iPhone 上的原生 Swift 应用，由 Apple MLX 驱动。无需云端，无供应商锁定，无患者数据离开您的网络。

1,000+ 模型  ·  12 种语言  ·  247 个 PII 检查点  ·  100% 设备端  ·  Apache-2.0

English · 简体中文 · Español · Français · Deutsch · Italiano · Português · Nederlands · العربية · हिन्दी · తెలుగు · 日本語 · Türkçe · فارسی

实际演示

30 秒示例

from openmed import analyze_text

result = analyze_text(
    "Patient started on imatinib for chronic myeloid leukemia.",
    model_name="disease_detection_superclinical",
)

for entity in result.entities:
    print(f"{entity.label:<12} {entity.text:<28} {entity.confidence:.2f}")
# DISEASE      chronic myeloid leukemia     0.98
# DRUG         imatinib                     0.95

一个最先进的临床 NER（命名实体识别）模型在本地运行——无需 API 密钥，无需网络调用。

为什么选择 OpenMed？

• 专业模型 — 1,000+ 个精选的生物医学与临床模型，许多优于专有堆栈。
• 符合 HIPAA 标准的去标识化 — 所有 18 个 Safe Harbor 标识符、智能实体合并、保留格式的伪造数据。
• 随处运行 — CPU、CUDA、Apple Silicon (MLX)，以及通过 OpenMedKit 在 iOS/macOS 应用中原生运行。
• 一行部署 — Python API、Docker 化 REST 服务或批量处理管道。
• 零锁定 — Apache-2.0 许可证，您的基础设施，您的数据。

Apple 设备端运行 — Swift、MLX 和 iOS

OpenMed 的设计宗旨是在您的数据所在之处运行。在 Apple 硬件上，它通过 MLX 加速，并可直达 iPhone、iPad 和 Mac 应用（通过 OpenMedKit）——因此 PII 检测和临床提取完全离线，在设备端完成。

// 将 OpenMedKit 添加到您的应用
dependencies: [
    .package(url: "https://github.com/maziyarpanahi/openmed.git", from: "1.5.5"),
]

• MLX 运行时 — 用于 PII token 分类、Privacy Filter 系列以及实验性的 GLiNER 系列零样本任务，并附带 CoreML 回退路径。
• 一个模型名称，所有平台 — MLX 模型名称在非 Apple 硬件上自动回退到匹配的 PyTorch 检查点。
• Apple Silicon 上的 Python 同样支持：pip install "openmed[mlx]"。

指南：MLX 后端 · OpenMedKit (Swift) · CoreML 导出

工作原理

flowchart LR
    A["临床文本"] --> B["OpenMed<br/>(100% 设备端)"]
    B --> C["医疗实体"]
    B --> D["检测到的 PII"]
    B --> E["去标识化文本"]
    style B fill:#0D6E6E,stroke:#0A5656,stroke-width:2px,color:#ffffff
    style C fill:#D6EBEB,stroke:#0D6E6E,color:#0E1116
    style D fill:#F7DCD8,stroke:#C5453A,color:#0E1116
    style E fill:#F5E27A,stroke:#A9A088,color:#0E1116

快速开始

# 核心 + Hugging Face 运行时（Linux、macOS、Windows；CPU 或 CUDA）
pip install "openmed[hf]"

# 添加 REST 服务
pip install "openmed[hf,service]"

# Apple Silicon 加速（MLX）
pip install "openmed[mlx]"

from openmed import analyze_text

analyze_text(
  "Patient received 75mg "
  "clopidogrel for NSTEMI.",
  model_name=
  "pharma_detection_superclinical",
)

uvicorn openmed.service.app:app \
  --host 0.0.0.0 --port 8080

from openmed import BatchProcessor

p = BatchProcessor(
  model_name=
  "disease_detection_superclinical",
  group_entities=True,
)
p.process_texts([...])

离线 / 气隙环境？ 将 model_name（或 model_id）指向本地目录，OpenMed 将直接加载，无需联系 Hugging Face Hub：

from openmed import OpenMedConfig, analyze_text

result = analyze_text(
    "Patient presents with chronic myeloid leukemia and Type 2 diabetes.",
    model_id="./models/OpenMed-NER-DiseaseDetect-SuperClinical-434M",
    config=OpenMedConfig(device="cpu"),
)

模型

精选的专业医学 NER 模型注册表——浏览完整目录。

隐私：PII 检测与去标识化

from openmed import extract_pii, deidentify

text = "Patient: John Doe, DOB: 01/15/1970, SSN: 123-45-6789"

# 提取 PII 并启用智能合并（防止 token 化碎片）
result = extract_pii(text, model_name="pii_superclinical_large", use_smart_merging=True)

# 使用所需方法进行去标识化
deidentify(text, method="mask")     # [NAME], [DATE]
deidentify(text, method="replace")  # 基于 Faker，感知区域设置，保留格式的伪造数据
deidentify(text, method="hash")     # 加密哈希
deidentify(text, method="shift_dates", date_shift_days=180)

• 智能实体合并 保持 01/15/1970 完整，而非将其碎片化。
• 基于 Faker 的混淆，附带自定义临床 ID 提供者（CPF、CNPJ、BSN、NIR、Codice Fiscale、NIE、Aadhaar、Steuer-ID、NPI）。
• HIPAA：所有 18 个 Safe Harbor 标识符，可配置置信度阈值。
• 批量 PII（v1.5.5）：使用 BatchProcessor(operation="extract_pii" | "deidentify", batch_size=16) 跨多个文档提取或去标识化。

完整的 PII 笔记本 · 智能合并 · 匿名化

相同的模型代码（gpt-oss 风格稀疏 MoE transformer，带局部注意力、sink tokens、RoPE+YaRN、tiktoken o200k_base），不同的训练数据。所有变体均通过相同的 extract_pii() / deidentify() API 路由——只需更改 model_name= 参数。

from openmed import extract_pii

text = "Patient Sarah Connor (DOB: 03/15/1985) at MRN 4471882."

extract_pii(text, model_name="openai/privacy-filter")              # PyTorch 基线
extract_pii(text, model_name="OpenMed/privacy-filter-nemotron")    # 相同代码，不同权重
extract_pii(text, model_name="OpenMed/privacy-filter-mlx")         # Apple Silicon (MLX)

在非 Apple Silicon 主机上，MLX 模型名称会自动替换为匹配的 PyTorch 检查点（并给出一次性警告）——指定一个模型名称，随处运行。参见 Privacy Filter 架构与后端路由。

多语言 PII（12 种语言）

跨 en、fr、de、it、es、nl、hi、te、pt、ar、ja 和 tr 进行提取和去标识化——总共 247 个 PII 检查点。

python -c "from openmed import extract_pii; print([(e.label, e.text) for e in extract_pii('Dr. Pedro Almeida, CPF: 123.456.789-09, email: pedro@hospital.pt', lang='pt').entities])"

from openmed import extract_pii

portuguese = extract_pii("Paciente: Pedro Almeida, CPF: 123.456.789-09, telefone: +351 912 345 678", lang="pt", use_smart_merging=True)
dutch      = extract_pii("Patiënt: Eva de Vries, BSN: 123456782, telefoon: +31 6 12345678", lang="nl", use_smart_merging=True)
hindi      = extract_pii("रोगी: अनीता शर्मा, फोन: +91 9876543210, पता: नई दिल्ली 110001", lang="hi", use_smart_merging=True)
arabic     = extract_pii("المريضة ليلى حسن، الهاتف +20 10 1234 5678، الرقم القومي 29801011234567.", lang="ar", use_smart_merging=True)
japanese   = extract_pii("患者 佐藤 花子、電話 +81 90 1234 5678、マイナンバー 1234 5678 9012.", lang="ja", use_smart_merging=True)
turkish    = extract_pii("Hasta Ayşe Yılmaz, telefon +90 532 123 45 67, TCKN 10000000146.", lang="tr", use_smart_merging=True)

for r in (portuguese, dutch, hindi, arabic, japanese, turkish):
    print([(e.label, e.text) for e in r.entities])

REST API

一个对 Docker 友好的 FastAPI 服务，包含请求验证、共享 pipeline 预加载和统一的错误封装。

pip install "openmed[hf,service]"
uvicorn openmed.service.app:app --host 0.0.0.0 --port 8080

# 或使用 Docker
docker build -t openmed:1.5.5 .
docker run --rm -p 8080:8080 -e OPENMED_PROFILE=prod openmed:1.5.5

curl -X POST http://127.0.0.1:8080/pii/extract \
  -H "Content-Type: application/json" \
  -d '{"text":"Paciente: Maria Garcia, DNI: 12345678Z","lang":"es"}'

模型生命周期（v1.5.5）： 按需释放内存，支持 GET /models/loaded、POST /models/unload 和 keep_alive 空闲窗口：

OPENMED_SERVICE_KEEP_ALIVE=10m uvicorn openmed.service.app:app --host 0.0.0.0 --port 8080
curl -X POST http://127.0.0.1:8080/models/unload -H "Content-Type: application/json" -d '{"all":true}'

参见完整的 REST 服务指南。

文档

完整指南位于 openmed.life/docs。

认识吉祥物

OpenMed 的守护者是一只毛茸茸的波斯猫，装扮成微型的 阿维森纳（伊本·西那）——这位伟大的波斯医生所著的《医典》在约 600 年间一直是全球医学标准教材。它守护着这本开放的医学知识之书，色彩搭配基于波斯绿松石（fīrūza）：一位本地优先、守护您最私密数据的守护者。

贡献

欢迎贡献——包括 bug 报告、功能请求和 PR。

• 创建 Issue
• 欢迎翻译——帮助完善顶部语言切换器中链接的其他语言 README。

致谢

OpenMed 建立在优秀的开源工作之上——特别感谢 OpenAI（Privacy Filter 架构）、NVIDIA（Nemotron PII 数据集）、Hugging Face（transformers 及模型生态系统）、Apple（MLX），以及 Faker 维护者。

许可证

发布于 Apache-2.0 许可证 下。

引用

@misc{panahi2025openmedneropensourcedomainadapted,
      title={OpenMed NER: Open-Source, Domain-Adapted State-of-the-Art Transformers for Biomedical NER Across 12 Public Datasets},
      author={Maziyar Panahi},
      year={2025},
      eprint={2508.01630},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2508.01630},
}

Star 历史

如果 OpenMed 对您有帮助，一个 star 能帮助更多人发现它。

由 OpenMed 团队构建

网站 · 文档 · X / Twitter · LinkedIn