maziyarpanahi/openmed

项目概览

该项目支持将临床文本分析与去标识化过程放在本地浏览器或移动端执行，适用于受严格合规限制的医疗健康数据隐私场景。

项目类型

模型运行 · 文档处理

应用场景

文档办公

部署方式

查看项目说明

License

Apache-2.0

适合谁

• 受 HIPAA 等严格数据合规限制，且拥有本地基础设施或端侧运行环境的医疗健康应用开发者。
• 希望以免费开源方式替代按次计费的外部云 API，并对临床文本处理拥有更高自主控制权的研发团队。

核心能力

• 从非结构化的临床文本中提取疾病、药物名称以及解剖结构等生物医学实体。该功能可将病历文本转化为结构化的医疗数据供后续分析使用。
• 将 ONNX 格式的 token 分类模型打包导出，通过 Transformers.js 和 WebGPU 技术在用户浏览器内进行推理，无需在后台暴露数据即可完成分析。
• 利用内置的 BatchProcessor 或增量流式处理助手，对大量文档中的个人身份信息（PII）进行提取或批量去标识化处理。

限制与风险

• 项目在初次使用时需要下载外部的预训练模型权重文件才能正常工作，这对网络环境受限或处于完全物理隔离环境的系统初始部署提出了要求。
• 如同所有基于机器学习的自动化脱敏工具一样，openmed 仍存在潜在的编辑遗漏风险，可能会发生 PHI/PII 泄露，因此不建议在未经人工复核的情况下直接用于合规审查。

如何开始

• 安装难度较低，支持通过 pip、npm、Swift Package Manager 等标准包管理器安装，同时提供 docker 构建命令。安装 openmed 包后，运行 analyze_text 或 deidentify 函数即可验证首次处理。

替代方案与同类比较

• 如果您的核心需求不是严格的医疗 PHI 去标识化，而是从长篇文档中提取具备来源溯源的结构化信息，langextract 提供了基于源文本精准定位的提取能力。
• 如果团队需要的不是纯粹的开发库，而是一个能够离线运行、集成多种本地大模型并带有角色权限控制的交互式 AI 平台，open-webui 更加合适。

同类比较

• maziyarpanahi/openmed vs 通用型长文档信息提取
• maziyarpanahi/openmed vs 带访问控制的本地模型交互界面

核验依据

• GitHub 项目简介: Local-first healthcare AI: clinical NER & HIPAA PII de-identification that runs 100% on-device. 1,000+ medical models, 12 languages, Apple MLX + Python, no cloud, no patient data…
• README: OpenMed extracts biomedical entities and removes 55+ PHI types entirely on the hardware you control, so your data never leaves the device.
• README: title={OpenMed NER: Open-Source, Domain-Adapted State-of-the-Art Transformers for Biomedical NER Across 12 Public Datasets}
• README: A curated registry of specialized medical NER models
• README: print(deidentify(text, method="mask").deidentified_text)

来源更新时间：2026-07-14T18:19:19Z

打开原始 GitHub 项目