#生物医学

stanza

Stanza是斯坦福NLP团队开发的Python自然语言处理库，支持60多种语言，提供高精度的自然语言处理工具，并可与Java Stanford CoreNLP软件集成。新推出的生物医学和临床英文模型包可以处理生物医学文献和临床笔记的句法分析和命名实体识别。Stanza可通过pip和Anaconda安装，适用于Python 3.6及以上版本，提供详细的文档和在线示例，帮助用户快速入门并高效使用。

KG_RAG

KG-RAG，一种融合生物医学知识图谱SPOKE与大型语言模型的检索增强生成系统，专为提升特定领域的语义理解而设计。了解其配置、运行方法及在生物医学应用中的实例。

LLaVA-Med

LLaVA-Med是一个针对生物医学领域的大规模语言和视觉模型。该模型通过课程学习方法对LLaVA进行了生物医学领域适应，在PathVQA和VQA-RAD等开放式生物医学问答任务中表现优异。LLaVA-Med支持多模态对话和视觉问答，为生物医学视觉语言处理研究提供了有力工具。需要注意的是，此模型仅供研究使用，不适用于临床决策。

visual-med-alpaca

Visual Med-Alpaca是一个参数高效的开源生物医学基础模型，集成了多模态能力。基于LLaMa-7B架构，该模型通过指令微调和视觉模块扩展，可执行放射影像解读和复杂临床问答等任务。仅需一张消费级GPU即可运行，为生物医学领域提供了灵活高效的AI研究工具。该项目仅供学术研究使用。

bluebert_pubmed_uncased_L-12_H-768_A-12

探索在PubMed文献上预训练的BERT模型，BlueBERT利用4000M词语料库支持生物医学自然语言处理，提升医学信息提取和文本分析精度，并通过多个基准数据集的评估。

BiomedCLIP-PubMedBERT_256-vit_base_patch16_224

BiomedCLIP是一个生物医学视觉语言基础模型，集成了PubMedBERT和Vision Transformer技术。该模型通过1500万医学图像-文本对的预训练，能够执行跨模态检索和图像分类等任务。在多个标准数据集上，BiomedCLIP显著提升了性能基准。这一模型为生物医学视觉语言处理研究奠定了坚实基础，在放射学等领域具有广泛应用前景。

SapBERT-UMLS-2020AB-all-lang-from-XLMR

SapBERT-UMLS-2020AB-all-lang-from-XLMR是基于XLM-RoBERTa的跨语言生物医学实体表示学习框架。该模型利用UMLS 2020AB数据集训练，生成高质量的多语言生物医学实体嵌入。在ACL 2021和NAACL 2021会议上获得认可，为生物医学实体链接和语义相似度计算提供有力支持。研究人员可便捷提取实体表示，推动跨语言生物医学文本挖掘研究发展。

biomedical-ner-all

该AI模型基于Maccrobat数据集训练，可以识别107种生物医学实体，适用于案例报告等文本工作。通过distilbert-base-uncased构建，拥有低碳排放（0.0279千克）和30.17分钟的训练时间。通过Huggingface API或transformers库，可便捷应用于生物医学领域；教程视频提供详细使用说明。

biogpt

BioGPT是一种针对生物医学领域的预训练生成式语言模型。该模型在大规模生物医学文献上训练，在多项自然语言处理任务中表现出色，尤其在关系抽取和问答任务上取得了显著成果。除了擅长分类任务外，BioGPT还具备强大的文本生成能力，能为生物医学术语提供流畅的描述。这些特性使得BioGPT在生物医学领域有广泛的应用前景。