Modelo de reconocimiento de entidades nombradas (NER) a nivel de token en textos clínicos oncológicos en español, con 30 etiquetas BIO, mediante fine-tuning de XLM-RoBERTa-large.

Autor: Jhusef Alfonso López Parra

Descripción

Modelo de NER clínico en español, afinado con AutoModelForTokenClassification y Trainer de Hugging Face. Extrae entidades oncológicas con esquema BIO sobre textos médicos en español.

Uso

python

from transformers import pipeline

pipe = pipeline("token-classification", model="jhusef-lopez/ner-clinico-xlmr-es", aggregation_strategy="simple")
texto = "El paciente presenta adenocarcinoma de próstata en estadio III."
print(pipe(texto))

Etiquetas (30 BIO)

id	etiqueta
0	`B_CANCER_CONCEPT`
1	`B_CHEMOTHERAPY`
2	`B_DATE`
3	`B_DRUG`
4	`B_FAMILY`
5	`B_FREQ`
6	`B_IMPLICIT_DATE`
7	`B_INTERVAL`
8	`B_METRIC`
9	`B_OCURRENCE_EVENT`
10	`B_QUANTITY`
11	`B_RADIOTHERAPY`
12	`B_SMOKER_STATUS`
13	`B_STAGE`
14	`B_SURGERY`
15	`B_TNM`
16	`I_CANCER_CONCEPT`
17	`I_DATE`
18	`I_DRUG`
19	`I_FAMILY`
20	`I_FREQ`
21	`I_IMPLICIT_DATE`
22	`I_INTERVAL`
23	`I_METRIC`
24	`I_OCURRENCE_EVENT`
25	`I_SMOKER_STATUS`
26	`I_STAGE`
27	`I_SURGERY`
28	`I_TNM`
29	`O`

Métricas de evaluación

Métrica	Valor
F1 (validación)	0.9499
Precision (validación)	0.9394
Recall (validación)	0.9607
F1 (test)	0.9426
Precision (test)	0.9261
Recall (test)	0.9597
Batch size (mejor grid)	8

Entrenamiento

Modelo base: FacebookAI/xlm-roberta-large
Dataset: SebastianSalas/biobert_json
Framework: PyTorch + 🤗 Transformers (Trainer, EarlyStoppingCallback)
Referencia enunciado: bert-base-cased sobre CoNLL-2002 ≈ 75 % F1
Idioma: español (es)

Limitaciones y uso responsable

Modelo académico. Puede cometer errores clínicos y reflejar sesgos del corpus. No sustituye el criterio de un profesional de la salud.

Cita

Si utilizas este modelo, por favor atribúyelo a Jhusef Alfonso López Parra.