医疗AI不传云端：这1000个模型，全跑在你自己的电脑上
患者数据永不离开你的设备
一行代码，临床文本变结构化——无API、无供应商锁定、无网络调用
🔥 先看一个场景：矛盾在哪？
你是一个医院信息科的技术人员，或者一家医疗AI创业公司的开发者。
临床医生给你一堆病历：出院小结、影像报告、化验单……他们要你“提取出里面的疾病、药物、检查结果”。
你怎么办？
传统方案的死结
| 方案 | 问题 |
|---|---|
| 用商业医疗AI API（比如AWS Comprehend Medical、Google Healthcare API） | 数据要发到云端，患者隐私谁负责？HIPAA合规成本高得离谱 |
| 自己训练模型 | 需要标注好的医疗数据——贵、慢、医疗标注找专业医生更贵 |
| 用开源通用NLP模型 | 医疗术语太专业，通用模型一塌糊涂。“AML”它可能以为是“上午”，其实是“急性髓系白血病” |
核心矛盾：医疗数据极度敏感，不能出网络；但高性能的医疗AI模型，又被锁在商业API里。
✅ OpenMed 的解法
OpenMed 是一套“本地优先”的医疗AI工具包。
1000+ 个专业医疗模型，全部可以在你自己的硬件上运行——CPU、GPU、Apple Silicon（M系列芯片）都行。
患者数据从不离开你的设备或网络。
fromopenmedimportanalyze_text result=analyze_text("Patient started on imatinib for chronic myeloid leukemia.",model_name="disease_detection_superclinical",)# 输出：# DISEASE chronic myeloid leukemia 0.98# DRUG imatinib 0.95一行代码，本地运行。没有API密钥，没有网络调用，数据不出门。
📊 它跟云端医疗API有什么不同？
| OpenMed | AWS / Google 医疗API | |
|---|---|---|
| 运行位置 | 你的设备/服务器 | 他们的云端 |
| 患者数据离开你的网络 | ❌ 从不 | ✅ 发送给供应商 |
| 成本 | 免费、开源 | 按调用付费（长期用很贵） |
| 专业医疗模型数 | 1000+ | 有限（通用为主） |
| 离线/内网部署 | ✅ 支持 | ❌ 不行 |
| 供应商锁定 | 无（Apache 2.0） | 有 |
🍎 一个特别亮点：苹果生态原生支持
OpenMed 跟 Apple Silicon（M1-M4 芯片）深度集成：
- MLX加速（Apple 自己的机器学习框架）
- 通过OpenMedKit可以直接集成到iOS / iPadOS / macOS 应用里
- PII检测、临床实体抽取完全在设备本地完成
// 加到你的Swift包里dependencies:[.package(url:"https://github.com/maziyarpanahi/openmed.git",from:"1.5.5"),]💡一句话解释：MLX 是苹果做的机器学习框架，专门给M系列芯片加速。比 PyTorch 在 Mac 上跑得更快、内存占用更小。
🔧 它能干什么？
1. 医疗实体抽取（NER，命名实体识别）
从临床文本里抽取出：
- 疾病和诊断：
chronic myeloid leukemia、Type 2 diabetes - 药物和治疗：
imatinib、75mg clopidogrel - 解剖部位：
left ventricle、liver - 基因和蛋白质：
BRCA1、EGFR
fromopenmedimportanalyze_text result=analyze_text("Patient with NSTEMI and hypertension, started on clopidogrel.",model_name="pharma_detection_superclinical",)forentityinresult.entities:print(f"{entity.label}:{entity.text}")# DRUG: clopidogrel# CONDITION: NSTEMI, hypertension💡NER（命名实体识别）：就是让计算机从一段文字里“挑出”特定类型的词——比如人名、地名、疾病名、药名。医疗版NER要能认出
imatinib是药，NSTEMI是病。
2. PII检测与去标识化（脱敏）
医疗数据最怕“泄露患者隐私”。OpenMed能自动找出病历里的：
- 姓名、出生日期、地址
- 社保号（SSN）、病历号（MRN）
- 电话号码、邮箱
- 身份证、驾照号……覆盖HIPAA全部18类标识符
fromopenmedimportextract_pii,deidentify text="Patient: John Doe, DOB: 01/15/1970, SSN: 123-45-6789"# 找出PIIresult=extract_pii(text,model_name="pii_superclinical_large")# 多种脱敏方式deidentify(text,method="mask")# [NAME], [DATE]deidentify(text,method="replace")# 伪造真实感的数据（保留格式）deidentify(text,method="hash")# 加密哈希deidentify(text,method="shift_dates",date_shift_days=180)# 日期偏移关键能力：智能实体合并——01/15/1970不会被拆成01/15和1970两个碎片。
💡PII（个人身份信息）：能直接或间接定位到具体人的信息，比如姓名、身份证号、病历号。医疗AI处理这些信息前必须先“脱敏”。
💡HIPAA：美国医疗信息隐私保护法案，规定了18类需要保护的标识符。不合规罚款很重。
3. 多语言支持
12种语言的PII检测，总计247个PII检查点：
| 语言 | 代码 | 语言 | 代码 |
|---|---|---|---|
| 英语 | en | 法语 | fr |
| 德语 | de | 意大利语 | it |
| 西班牙语 | es | 荷兰语 | nl |
| 葡萄牙语 | pt | 印地语 | hi |
| 泰卢固语 | te | 阿拉伯语 | ar |
| 日语 | ja | 土耳其语 | tr |
# 葡萄牙语示例extract_pii("Paciente: Pedro Almeida, CPF: 123.456.789-09",lang="pt")📦 核心模型一览
| 模型名 | 专长 | 实体类型 | 模型大小 |
|---|---|---|---|
disease_detection_superclinical | 疾病与病症 | DISEASE, CONDITION, DIAGNOSIS | 434M |
pharma_detection_superclinical | 药物与用药 | DRUG, MEDICATION, TREATMENT | 434M |
pii_superclinical_large | PII与去标识化 | 18类HIPAA标识符 | 434M |
anatomy_detection_electramed | 解剖与身体部位 | ANATOMY, ORGAN, BODY_PART | 109M |
gene_detection_genecorpus | 基因与蛋白质 | GENE, PROTEIN | 109M |
💡模型大小（如434M）：指模型参数数量，4.34亿个。参数越多，模型越“聪明”，但对硬件要求也更高。109M的模型可以在老一点的CPU上跑，434M的建议有GPU或M系列Mac。
🚀 三种使用方式
1. Python API（最直接）
pipinstall"openmed[hf]"fromopenmedimportanalyze_text,extract_pii# NER抽取result=analyze_text("Patient with AML and diabetes.",model_name="disease_detection_superclinical")# PII检测pii=extract_pii("John Doe, SSN: 123-45-6789",model_name="pii_superclinical_large")2. REST服务（部署成API）
pipinstall"openmed[hf,service]"uvicorn openmed.service.app:app--host0.0.0.0--port8080curl-XPOST http://127.0.0.1:8080/pii/extract\-H"Content-Type: application/json"\-d'{"text":"Paciente: Maria Garcia, DNI: 12345678Z","lang":"es"}'3. 离线/内网部署
没有互联网的环境（比如医院内网、研究机构的隔离网络）也能用：
result=analyze_text("Patient presents with chronic myeloid leukemia.",model_id="./models/OpenMed-NER-DiseaseDetect-SuperClinical-434M",# 本地路径config=OpenMedConfig(device="cpu"),)🎯 谁应该用 OpenMed？
| 人群 | 为什么适合 |
|---|---|
| 医院/医疗机构的IT/数据团队 | 患者数据不能出网。OpenMed本地部署，合规无忧 |
| 医疗AI创业公司 | 不用重新训练模型，直接用1000+个专业模型，省几百万标注费 |
| 制药公司/CRO（合同研究组织） | 从海量临床试验文本、文献里抽实体，全程在自己服务器上跑 |
| 医学研究机构 | 病历去标识化后做研究，不暴露患者隐私 |
| 个人开发者/黑客马拉松 | 免费、开源、一行代码跑起来，不用申请任何API key |
| Mac/iOS开发者 | OpenMedKit让你在iPhone上跑医疗AI，完全本地，不联网 |
一个典型的“冲突”场景
问题：某三甲医院想做“智能病历结构化”，从出院小结里自动抽疾病和药物。但IT部门规定：任何患者数据不得上传至公有云。
之前：要么自己招团队训练模型（投入大、周期长），要么放弃。
现在：OpenMed 直接部署在内网服务器上，模型本地加载，数据不出院区。一行 Python 就能跑。
🔬 技术原理（通俗版）
1. 模型从哪来？
OpenMed 聚合了 Hugging Face 上 1000+ 个领域适应（domain-adapted）的生物医学模型。这些模型用大量的生物医学文献、临床笔记、出院小结训练过，所以能认出imatinib是药，NSTEMI是病。
2. 怎么跑在你本地？
模型下载到本地后，OpenMed 用 Hugging Face 的transformers库加载推理（inference）。你可以选：
device="cpu"：任何电脑都能跑，慢一点device="cuda"：有NVIDIA显卡，快很多device="mps"（Mac M系列）：用苹果的Metal加速
3. 隐私过滤器（Privacy Filter）
基于 OpenAI 发布的 Privacy Filter 架构，专门做PII检测。OpenMed 提供了三个变体：
openai/privacy-filter：OpenAI原始版本OpenMed/privacy-filter-nemotron：用NVIDIA的Nemotron数据集微调，更准OpenMed/privacy-filter-multilingual：支持12种语言
这些模型在MLX加速下，iPhone上也能跑。
✅ 总结
| 层次 | 核心内容 |
|---|---|
| 解决了什么矛盾 | 医疗数据敏感不能上云 ↔ 高性能医疗AI被锁在商业API里。OpenMed让医疗AI本地运行，数据不出设备 |
| 核心能力 | ①医疗实体抽取（疾病/药物/基因）②PII检测与脱敏（18类HIPAA）③12种语言 ④1000+模型 ⑤苹果生态原生支持 |
| 谁来用 | 医院IT、医疗AI创业、药企、研究人员、Mac/iOS开发者 |
| 怎么开始 | pip install "openmed[hf]"→from openmed import analyze_text→ 一行代码跑起来 |
📦 立即开始
pipinstall"openmed[hf]"fromopenmedimportanalyze_text result=analyze_text("Patient started on imatinib for chronic myeloid leukemia.",model_name="disease_detection_superclinical",)print([(e.label,e.text)foreinresult.entities])# [('DISEASE', 'chronic myeloid leukemia'), ('DRUG', 'imatinib')]Apache 2.0 许可证 · 无供应商锁定 · 你的数据，永远只属于你