使用场景

利用模型回答有关药物剂量的医学问题。

分析临床笔记，提取关键医疗信息以支持临床决策。

教育领域，辅助学生学习复杂的生物医学概念。

产品特色

临床笔记总结：能够高效分析和总结复杂的临床笔记、电子健康记录数据和出院总结。

回答医学问题：能够回答广泛的医学问题。

临床实体识别：能够识别和提取临床文本中的疾病、症状、药物、程序和解剖结构等关键医学概念。

生物标志物提取：支持从生物医学文本中提取生物标志物。

分类：能够执行如疾病预测、情感分析、医学文档分类等生物医学分类任务。

去标识化：能够检测并移除医疗记录中的个人身份信息，确保患者隐私。

使用教程

步骤1：导入transformers和torch库。

步骤2：设置模型ID为'aaditya/OpenBioLLM-Llama3-8B'。

步骤3：使用transformers.pipeline创建文本生成管道。

步骤4：定义消息模板，包括系统角色和用户角色的内容。

步骤5：使用pipeline.tokenizer.apply_chat_template应用聊天模板。

步骤6：设置终止符，如eos_token_id和<|eot_id|>。

步骤7：调用pipeline生成文本，设置max_new_tokens、eos_token_id、do_sample、temperature和top_p参数。

步骤8：打印生成的文本。