📌 项目地址：maziyarpanahi/openmed | ⭐ 1,717 颗星 | 🔧 Python | 📜 未标注
为什么需要这样一个项目
医疗数据是隐私监管最严格的领域之一。当你把病历、诊断记录传给第三方 API 时，数据离开本地网络就意味着合规风险。患者姓名、身份证号、诊断信息……每一项都可能成为泄露的入口。而现有的云端医疗 NLP 服务虽然准确度高，但既不能保证零数据留存，也会形成供应商锁定。
OpenMed 的定位很明确：所有处理都在设备上完成。你可以用一行 Python 代码调用 1000+ 专门的医学模型做实体抽取、PII 去标识化，也支持把模型放到本地目录彻底断网运行。它甚至提供了 Apple MLX 加速，让 iPhone 也能跑。
30 秒体验核心功能
从 README 原文可见，安装后只需要调用 analyze_text：
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}: {entity.text}")
这个模型专门做疾病检测，结果会返回实体标签和文本。你不需要配置任何云服务密钥。
安装与运行方式
OpenMed 支持三种安装变体，对应不同场景：
# 核心 + Hugging Face 运行时（Linux, macOS, Windows; CPU 或 CUDA）
pip install "openmed[hf]"
# 加上 REST 服务
pip install "openmed[hf,service]"
# Apple Silicon 加速（MLX）
pip install "openmed[mlx]"
启动 REST 服务后，可以通过 HTTP 调用：
uvicorn openmed.service.app:app
--host 0.0.0.0 --port 8080
服务暴露四个端点：GET /health、POST /analyze、POST /pii/extract、POST /pii/deidentify。其中 /pii/deidentify 能直接在设备上对临床文档进行实时去标识化，替代掉姓名、地址、ID 等敏感信息。
离线/气隙网络运行
如果你需要完全断网运行，可以指定本地路径：
from openmed import OpenMedConfig, analyze_text
result = analyze_text(
"Patient presents with chronic myeloid leukemia and Type 2 diabetes.",
model_id="./models/OpenMed-NER-DiseaseDetect-SuperClinical-434M",
config=OpenMedConfig(device="cpu"),
)
只要把模型文件下载到本地目录，OpenMed 就不会请求任何外部 Hub。这对于医院内部网络隔离环境至关重要。
批量处理与 Swift 移动端
README 中还展示了 BatchProcessor 用法：
from openmed import BatchProcessor
p = BatchProcessor(
model_name="disease_detection_superclinical",
group_entities=True,
)
p.process_texts([...])
此外，由于 Apple MLX 的支持，团队正在构建原生 Swift 应用，可以实现手机上离线处理。
与同类工具的对比
| 特性 | AWS Comprehend Medical | Google Healthcare API | OpenMed |
|---|---|---|---|
| 数据是否离开设备 | 是，发送到云端 | 是，发送到云端 | 否，全本地 |
| 是否需要云账号 | 是 | 是 | 不需要 |
| 离线运行 | 否 | 否 | 支持 |
| 支持的模型数量 | 有限 | 有限 | 1000+ 专用模型 |
| 许可证 | 商业 | 商业 | Apache-2.0 |
OpenMed 最大的差异就是 本地优先 + 无供应商锁定。这对于需要 HIPAA / GDPR 合规、或组织内部有严格数据驻留政策的场景尤其有价值。
需要注意的事情
- 模型下载：首次使用会从 Hugging Face 拉取模型（除非指定本地路径）。建议在可访问外网的环境下先预下载。
- 资源消耗：不同模型大小不同，README 中提到的
OpenMed-NER-DiseaseDetect-SuperClinical-434M约 434M 参数，在 CPU 上仍然可跑，但 GPU / MLX 会更快。 - 许可证：Apache-2.0，商业友好，不限制修改与分发。
- 模型目录：README 中列出了部分模型，完整列表在 openmed.life/docs/model-registry，建议先查阅确认是否有你需要的实体类型（如药物、解剖部位、实验室值等）。
总结
OpenMed 是一个填补空白的项目——它让医疗 NLP 真正可以离线、本地、私有化运行。如果你正在为医院信息系统或医疗研究工具寻找 PII 去标识化能力，或者需要在不传输患者数据的前提下做结构化抽取，那么这个项目值得一试。安装一条命令，跑起来只需要三行代码。