OpenMed: open-source AI для здравоохранения

Что это и для кого

OpenMed — это фреймворк, который предоставляет state-of-the-art биомедицинские и клинические LLM, способные соперничать с проприетарными enterprise-стеками, объединяя обнаружение моделей, продвинутые механизмы извлечения данных и одностроковую оркестрацию.

Проект основан Мазияром Панахи с целью создания и распространения прозрачных, передовых медицинских языковых моделей. Его миссия — построить движок по умолчанию для каждой больницы, фармацевтического гиганта и государственного медицинского учреждения, которым требуется безопасная и мощная платформа медицинского интеллекта.

Целевая аудитория:

• Разработчики медицинских приложений и MLOps-инженеры
• Клинические дата-сайентисты и исследователи
• Больницы и фармкомпании, работающие в условиях HIPAA/GDPR
• Мобильные разработчики на Swift (iOS/macOS)

Ключевые возможности

1. On-device клинический NLP без облака

OpenMed предлагает извлечение сущностей, деидентификацию PII и 1000+ специализированных медицинских моделей, которые работают полностью на вашем железе — от однострочного Python до нативного Swift-приложения на iPhone, на базе Apple MLX.

OpenMed работает полностью на устройстве: клинический текст никогда его не покидает. На iPhone через OpenMedKit можно сканировать клиническую заметку, деидентифицировать её и извлекать клинические сигналы — локально, без единого сетевого запроса.

2. Извлечение медицинских сущностей (NER)

NER — это фундамент для извлечения структурированной информации из более чем 80% медицинских данных, которые хранятся в неструктурированных клинических заметках и биомедицинской литературе.

Модели OpenMed NER оцениваются на 12 устоявшихся биомедицинских NER-бенчмарках, охватывающих химические вещества, болезни, гены и виды, и достигают новых SOTA micro-F1 на 10 из 12 датасетов.

Пример использования:

from openmed import analyze_text

result = analyze_text(
    "Patient started on imatinib for chronic myeloid leukemia.",
    model_name="disease_detection_superclinical",
)
for entity in result.entities:
    print(f"{entity.label:<12} {entity.text:<28} {entity.confidence:.2f}")
# DISEASE      chronic myeloid leukemia     0.98
# DRUG         imatinib                     0.95

3. PII-деидентификация (Privacy Filter)

OpenMed-PII-SuperClinical — трансформерная модель токен-классификации, дообученная для обнаружения персональных данных. Она идентифицирует и классифицирует 54 типа чувствительной информации, включая имена, адреса, номера соцстрахования, номера медицинских записей и многое другое.

OpenMed 1.5.5 включает мультиязычный Privacy Filter, поддержку арабского, японского и турецкого языков для PII, унифицированную маршрутизацию PyTorch/MLX, анонимизацию на базе Faker и более 1000 open-source healthcare LLM-моделей.

4. Мультиплатформенность

OpenMed работает везде: CPU, CUDA, Apple Silicon (MLX), и нативно в iOS/macOS-приложениях через OpenMedKit. Поддерживается однострочное развёртывание — Python API, Dockerized REST-сервис или batch-пайплайны.

На Apple Silicon достигается ускорение в 24–33× по сравнению с CPU PyTorch для Privacy Filter (медианная задержка на один шаг инференса).

5. Архитектура моделей

OpenMed NER — это набор open-source, domain-adapted трансформерных моделей, сочетающих облегчённое domain-adaptive pretraining (DAPT) и parameter-efficient LoRA. DAPT выполняется на корпусе из 350k фрагментов из PubMed, arXiv и деидентифицированных клинических заметок MIMIC-III с бэкбонами DeBERTa-v3, PubMedBERT и BioELECTRA.

flowchart LR
    A["Клинический текст"] --> B["OpenMed\n(100% on-device)"]
    B --> C["Медицинские сущности\n(NER)"]
    B --> D["Обнаружение PII"]
    B --> E["Деидентифицированный текст"]
    style B fill:#0D6E6E,stroke:#0A5656,stroke-width:2px,color:#ffffff
    style C fill:#D6EBEB,stroke:#0D6E6E,color:#0E1116
    style D fill:#F7DCD8,stroke:#C5453A,color:#0E1116
    style E fill:#F5E27A,stroke:#A98A0D,color:#0E1116

6. Интеграция с экосистемой

OpenMed поддерживает нативный Privacy Filter, OpenAI Nemotron Privacy Filter и мультиязычный Privacy Filter, а также GLiNER для zero-shot задач. Функция analyze_text оборачивает валидацию, инференс и форматирование для скриптов, ноутбуков и сервисов. Деидентификация PII совместима с HIPAA через smart entity merging.

Тарифы и цены

OpenMed полностью бесплатен: Apache-2.0, ваша инфраструктура, ваши данные — без каких-либо лицензионных сборов.

pip install openmed
# или с поддержкой Apple MLX:
pip install "openmed[mlx]"

Плюсы и минусы

Сравнение с альтернативами

Для сравнения: MedGemma — это Google DeepMind-модель, представленная на Google I/O 2025 на базе архитектуры Gemma 3, ориентированная на понимание медицинских изображений и текстов.

OpenBioLLM-70B от Saama AI Labs с 70 миллиардами параметров превосходит другие open-source биомедицинские модели сопоставимого масштаба, а также показывает лучшие результаты по сравнению с такими моделями, как GPT-4, Gemini, Meditron-70B, Med-PaLM-1 и Med-PaLM-2 на биомедицинских бенчмарках. Однако OpenBioLLM не предлагает on-device исполнения и клинической деидентификации.

Вердикт

OpenMed подойдёт:

• Разработчикам медицинских iOS/macOS-приложений, которым критична приватность
• Клиникам и фармкомпаниям с требованиями HIPAA/GDPR к суверенности данных
• Исследователям и дата-сайентистам, которым нужны SOTA NER-модели без облачных зависимостей
• Командам, встраивающим клинический NLP в существующие Python/Docker-пайплайны

Не подойдёт:

• Задачам, требующим мультимодального анализа (рентген, МРТ)
• Командам без технической экспертизы в NLP и MLOps
• Проектам, ищущим готовые коробочные решения с UI

«Будущее медицинского AI должно быть открытым, проверяемым и суверенным» — именно этот принцип лежит в основе OpenMed.

Рейтинг: 8.5 / 10

Заключение

OpenMed — это один из наиболее перспективных open-source проектов в медицинском AI 2025–2026 годов. OpenMed 1.5.5 принёс мультиязычный Privacy Filter, on-device деидентификацию на 9 языках и первый вклад внешнего контрибьютора. Проект стремительно набирает зрелость: более 5 миллионов загрузок на PyPI и 1200 подписчиков HuggingFace-организации говорят о реальном интересе сообщества.

Если вы строите клиническое NLP-решение и не готовы отправлять медицинские данные пациентов в облако — OpenMed сегодня является, пожалуй, лучшим выбором на рынке open-source инструментов. Начните с pip install openmed, изучите документацию и протестируйте модели прямо в Jupyter-ноутбуке — репозиторий openmed-starter содержит туториалы, примеры кода и SageMaker-ноутбуки для быстрого старта.