EdgeDeID：合成数据训练临床去标识模型
热点事件持续更新
EdgeDeID：合成数据训练临床去标识模型
1 篇报道1 个报道来源9 小时前更新
先了解这件事
AI 综述
Sina Daneshgar 等提出了 EdgeDeID，一款不使用真实患者文本训练、可本地运行的 0.6B 参数临床文本去标识模型；它在 100 条人工核验的合成笔记上达到 0.994 micro-F1，99% 的笔记未漏检标识符，但迁移到 MIMIC ICU 护理笔记后 F1 降至 0.48，显示其高分主要来自合成数据场景，跨数据集效果有限。 EdgeDeID 由大语言模型生成合成笔记，再经统一标注训练模型输出带类型的 XML 标识符结果。量化后模型可在 CPU 上以 615 MB 运行；在 MIMIC 笔记上，三个手写上下文示例可在无需目标数据标注的情况下使 F1 提升 0.08。
AI 根据报道生成 · 1 小时前更新
最新进展10月28日 12:00
EdgeDeID：不使用真实患者数据训练的 0.6B 临床文本去标识模型报道时间线
沿着报道，了解事件的不同侧面。
10月28日
- arXiv · Machine LearningEdgeDeID：不使用真实患者数据训练的 0.6B 临床文本去标识模型
EdgeDeID 是一个 0.6B 参数、可本地运行的临床文本去标识模型，训练过程不使用真实患者文本。在 100 条合成笔记基准上，它达到 0.994 micro-F1，99% 的笔记没有漏掉任何标识符；量化后可在 CPU 上以 615 MB 运行。迁移到 MIMIC ICU 护理笔记时 F1 降至 0.48，三个手写的上下文示例在无需目标数据标注的情况下提升 0.08 F1。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。