हग फेस ट्रांसफॉर्मर और ओपन सोर्स मॉडल BIO_CLINICALBT का उपयोग करके इंटरैक्टिव हेल्थ डेटा मॉनिटरिंग टूल बनाने के लिए एक चरण गाइड

इस ट्यूटोरियल में, हम सीखेंगे कि ट्रांसफॉर्मर मॉडल, Google Colabs और Ipwidges of Anbrace Face का उपयोग करके एक इंटरैक्टिव हेल्थ डेटा मॉनिटरिंग टूल कैसे बनाया जाए। एक नैदानिक ​​मॉडल लोड करके, हम आपको अपना Colab वातावरण सेट करके सेट करते हैं (जैसे) BIO_CLINICBERT), और एक उपयोगकर्ता -दोस्ती इंटरफ़ेस बनाना जो स्वास्थ्य डेटा इनपुट को स्वीकार करता है और व्याख्या करने योग्य बीमारी की भविष्यवाणी करता है। यह चरण-दर-चरण गाइड हेल्थकेयर में उन्नत एनएलपी मॉडल की क्षमताओं को उजागर करता है और मशीन लर्निंग और इंटरैक्टिव प्रोग्रामिंग के लिए नए लोगों के लिए इन शक्तिशाली उपकरणों तक पहुंचता है।

!pip install transformers torch ipywidgets

सबसे पहले, हम तीन आवश्यक पुस्तकालयों को स्थापित करते हैं: ट्रांसफॉर्मर राज्य -of -th -art एनएलपी मॉडल के साथ काम करने के लिए, गहरी सीखने की गणना के लिए मशाल और कोलाब में इंटरैक्टिव विजेट बनाने के लिए ipaywiggets।

from transformers import AutoTokenizer, AutoModelForSequenceClassification, pipeline
import ipywidgets as widgets
from IPython.display import display, clear_output

अब हम आवश्यक मॉड्यूल का आयात करते हैं: यह मॉडल हैंडलिंग और टेक्स्ट वर्गीकरण के लिए गले में चेहरे ट्रांसफॉर्मर लाइब्रेरी से कक्षाएं और कार्य लाता है। हम Google Colab में इंटरैक्टिव आउटपुट बनाने और संचालित करने के लिए Ipaywigettes और Ipithon डिस्प्ले फ़ंक्शन भी आयात करते हैं।

# Using a publicly available clinical model
model_name = "emilyalsentzer/Bio_ClinicalBERT"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)
health_monitor = pipeline("text-classification", model=model, tokenizer=tokenizer)

हम अपने टोकनर, सार्वजनिक रूप से उपलब्ध नैदानिक ​​मॉडल के साथ “एमिललेस्ट्ज़र/बायो_क्लिनिकलबर्ट” को लोड करते हैं, और नैदानिक ​​स्वास्थ्य डेटा के प्रसंस्करण और विश्लेषण के लिए Health_monitor नामक एक पाठ वर्गीकरण पाइपलाइन स्थापित करते हैं।

# Broad Disease Mapping
broad_disease_mapping = {
    "LABEL_0": "No significant condition",
    "LABEL_1": "Cardiovascular Diseases (e.g., hypertension, heart disease)",
    "LABEL_2": "Metabolic and Endocrine Disorders (e.g., diabetes, thyroid issues)",
    "LABEL_3": "Respiratory Diseases (e.g., asthma, COPD)",
    "LABEL_4": "Neurological Conditions (e.g., stroke, epilepsy)",
    "LABEL_5": "Infectious Diseases (e.g., influenza, COVID-19)",
    "LABEL_6": "Oncological Conditions (e.g., cancers)",
    "LABEL_7": "Gastrointestinal Disorders (e.g., IBS, Crohn’s disease)",
    "LABEL_8": "Musculoskeletal Disorders (e.g., arthritis, osteoporosis)",
    "LABEL_9": "Immunological/Autoimmune Disorders (e.g., lupus, rheumatoid arthritis)"
}

हम एक शब्दकोश बनाते हैं जो विशिष्ट, व्यापक रोग श्रेणी में मॉडल के सामान्य आउटपुट लेबल (जैसे “लेबल_0”) को मैप करता है। यह मॉडल की भविष्यवाणी को एक सार्थक नैदानिक ​​व्याख्या में अनुवाद करने में मदद करता है, जिसमें हृदय रोगों से लेकर ऑटोइम्यून विकारों तक की स्थितियों को कवर किया जाता है।

# Function to Analyze Health Data
def analyze_health_data(input_text):
    prediction = health_monitor(input_text)(0)
    disease_prediction = broad_disease_mapping.get(prediction("label"), "Unknown Condition")
    output_str = (
        f"Raw Model Output: {prediction}n"
        f"Interpreted Prediction: {disease_prediction}n"
        f"Confidence Score: {prediction('score')*100:.2f}%"
    )
    return output_str

कार्य विश्लेषण करता है_हेल्थ_डेटा, नैदानिक ​​पाठ को इनपुट के रूप में लें, और इसे Health_monitor पाइपलाइन का उपयोग करके संसाधित करें। यह मॉडल का पूर्वानुमान प्राप्त करता है, फिर ब्रॉड_डिस_मैपिंग शब्दकोश से सामान्य रोग श्रेणी में जेनेरिक लेबल (जैसे “लेबल_0”) को मैप करता है। अंत में, यह कच्ची भविष्यवाणी, व्याख्या रोग श्रेणी और आत्मविश्वास स्कोर को वापस करने से पहले एक पठनीय स्ट्रिंग में बनाता है।

# Interactive Interface Using ipywidgets
input_text = widgets.Textarea(
    value="Enter patient health data here...",
    placeholder="Type the clinical notes or patient report",
    description='Health Data:',
    disabled=False,
    layout=widgets.Layout(width="100%", height="100px")
)

हम ipwidates का उपयोग करके एक इंटरैक्टिव टेक्स्ट फ़ील्ड विजेट बनाते हैं। यह मार्गदर्शन के लिए एक प्री-पब्लिक प्रॉम्प्ट, प्लेसहोल्डर और क्लियर लेआउट प्रदान करता है, जिससे उपयोगकर्ताओं को उपयोगकर्ता के अनुकूल इंटरफ़ेस में नैदानिक ​​नोट या रोगी रिपोर्ट इनपुट करने की अनुमति मिलती है।

# Button widget to trigger the analysis
analyze_button = widgets.Button(
    description='Analyze',
    disabled=False,
    button_style="",  # Options: 'success', 'info', 'warning', 'danger' or ''
    tooltip='Click to analyze the health data',
    icon='check'
)

फिर हम ipaywigettes का उपयोग करके एक बटन विजेट बनाते हैं। बटन को “विश्लेषण किया गया” लेबल किया गया है और इसमें एक टूलटिप (“स्वास्थ्य डेटा के विश्लेषण के लिए क्लिक करें”) और उपयोगकर्ता अनुभव को बढ़ाने के लिए आइकन (“चेक”) शामिल है। यह बटन क्लिक करने पर स्वास्थ्य डेटा विश्लेषण कार्य को ट्रिगर करेगा, जिससे मॉडल को इनपुट नैदानिक ​​पाठ को संसाधित करने की अनुमति मिलेगी।

# Output widget to display the results
output_area = widgets.Output()


def on_analyze_button_clicked(b):
    with output_area:
        clear_output()  
        input_data = input_text.value
        result = analyze_health_data(input_data)
        print(result)


analyze_button.on_click(on_analyze_button_clicked)


display(input_text, analyze_button, output_area)

अंत में, हम विश्लेषण के परिणामों को प्रदर्शित करने के लिए एक आउटपुट विजेट बनाते हैं और कॉल ल्यूब को एक फ़ंक्शन (ON_NALES_BIT_CLIC) को वापस परिभाषित करते हैं जब “विश्लेषण” बटन पर क्लिक किया जाता है। फ़ंक्शन किसी भी पिछले आउटपुट को साफ करता है, टेक्स्ट फ़ील्ड से इनपुट डेटा प्राप्त करता है, इसे एनालिसिस_हेल्थ_डाटा फ़ंक्शन का उपयोग करके संसाधित करता है, और आउटपुट फ़ील्ड में परिणाम प्रिंट करता है। अंत में, क्लिक इवेंट इस फ़ंक्शन से जुड़ा हुआ है, और सभी विजेट (इनपुट फ़ील्ड, बटन और आउटपुट डिस्प्ले) को इंटरैक्टिव उपयोग के लिए एक साथ प्रदान किया जाता है।

नमूना इनपुट और आउटपुट

अंत में, इस ट्यूटोरियल ने दिखाया है कि नैदानिक ​​स्वास्थ्य डेटा के विश्लेषण के लिए एक इंटरैक्टिव इंटरफ़ेस के साथ परिष्कृत एनएलपी टूल को कैसे एकीकृत किया जाए। आप एक ऐसी प्रणाली बना सकते हैं जो चेहरे की पूर्व-प्रशिक्षित मॉडल डेलो और Google Colab और Ipaywiggates की आसानी को गले लगाकर स्वास्थ्य जानकारी को एक्सप्लेबल इनसाइट्स में व्याख्या और वर्गीकृत करता है।

यहाँ है कोटिनी नोटबुक। इसके अलावा, हमें फॉलो करना न भूलें ट्विटर और हमसे जुड़ें टेलीग्राफिक मीडिया और लिंक्डइन जी.आर.सिर हिलाकर सहमति देना। हमसे जुड़ने के लिए मत भूलना 80K+ एमएल सबमिटेड।

। MEET PALLANT: व्यवहार दिशानिर्देशों और रनटाइम मॉनिटरिंग का उपयोग करके, अपने AI ग्राहक सेवा एजेंटों पर आवश्यक नियंत्रण और सटीकता प्रदान करने के लिए AI फ्रेमवर्क डेवलपर्स को प्रदान करने के लिए एक LLM-FIRST वार्तालाप किया गया है। 🔧 🔧 🎛 इसका उपयोग करना आसान है। और पायथन और टाइपस्क्रिप्ट में मूल ग्राहक एसडीके का उपयोग करके संचालित है।

ASIF Razzaq एक दूरदर्शी उद्यमी और इंजीनियर के रूप में मार्केटएकपोस्ट मीडिया इंक के सीईओ हैं, ASIF सामाजिक अच्छे के लिए कृत्रिम बुद्धिमत्ता की संभावना को बढ़ाने के लिए प्रतिबद्ध है। उनका सबसे हालिया प्रयास आर्टिफिशियल इंटेलिजेंस मीडिया प्लेटफॉर्म, मार्कटेकपोस्ट का उद्घाटन है, जो मशीन लर्निंग की गहराई के लिए और कवरेज की गहराई के लिए गहरी सीखने की खबर के लिए है। यह तकनीकी रूप से ध्वनि है और एक बड़े दर्शकों द्वारा आसानी से समझ में आता है। प्लेटफ़ॉर्म में 2 मिलियन से अधिक मासिक दृश्य हैं, जो दर्शकों के बीच अपनी लोकप्रियता दिखाते हैं।