maziyarpanahi/openmed

Overview

项目介绍

Technical Route

技术路线

OpenMed采用本地优先的医疗AI架构，以Python为核心语言，通过多后端适配实现全设备离线运行。核心路线是将临床文本输入后，由1000+专业医疗模型完成命名实体识别（NER）、PII去标识化等任务，支持Python API、REST服务、批量处理三种调用方式，同时通过OpenMedKit适配iOS/macOS端，利用Apple MLX实现硬件加速，确保患者数据零泄露，满足医疗场景的隐私合规需求。用户理解此路线可明确部署方案、模型选择及跨平台适配逻辑。

1. 1多后端模型调度层：基于配置自动适配Hugging Face Transformers（PyTorch）、Apple MLX、CoreML等后端，在非Apple设备上自动将MLX模型名替换为对应PyTorch checkpoint，实现同一模型名跨平台运行，降低开发适配成本。
2. 2临床文本处理层：集成pysbd分句工具预处理临床文本，通过1000+ curated医疗命名实体识别（NER）模型，完成疾病、药物、解剖结构等实体提取，支持单文本分析、批量文档处理两种模式，满足不同场景的处理需求。
3. 3PII去标识化层：基于Smart Entity Merging技术避免PII实体碎片化，提供掩码、替换、哈希、日期偏移四种去标识化方法，支持HIPAA要求的18种安全港标识符检测，适配12种多语言PII处理，保障医疗数据隐私合规。
4. 4跨平台适配层：通过OpenMedKit Swift库将OpenMed能力接入iOS/macOS应用，利用Apple MLX实现24-33倍于CPU PyTorch的推理加速，支持离线运行，同时提供CoreML fallback路径，确保Apple设备的兼容性与性能。
5. 5服务化封装层：基于FastAPI和Uvicorn封装REST服务，提供/health、/analyze、/pii/extract、/pii/deidentify等接口，支持Docker容器化部署，配置健康检查机制，满足企业级服务的稳定性与可扩展性要求。
6. 6离线模型加载层：支持指定本地模型目录加载模型，无需连接Hugging Face Hub，适配离线/气隙环境部署，同时支持模型8-bit量化，降低硬件资源占用，满足边缘设备的运行需求。

Why Trending

为什么它会上榜

结合增长、最近更新与社区关注，给出一个更接近“决策参考”的上榜解读。

• 社区关注度上升：近期新增 +165 Stars（today），讨论热度明显提高。
• 维护活跃：最近更新于 2026/06/09，更可能持续迭代与补齐文档/生态。
• 方向聚焦：覆盖 bert / deepseek / healthcare / ios 等主题，适合在该方向快速落地与对比选型。
• 定位清晰：这是开源医疗AI项目，能辅助医疗数据处理、医学问答、病历分析等工作，为医疗从业者和研究者提供AI工具支持。

Quick Start

怎么开始

请看仓库README的安装章节

使用前注意事项

• 处理真实医疗数据时需确保符合HIPAA等合规要求，虽然工具提供PII去标识化能力，但仍需自行验证数据处理流程的合规性
• 部分大尺寸模型对硬件性能要求较高，在CPU上运行可能存在延迟，建议优先使用GPU或Apple Silicon设备
• 项目处于持续开发阶段，部分功能可能存在版本兼容性问题，使用前建议查看README的版本说明和更新日志

Related

相关项目